近年来,机载激光测距(Light Detect and Range, LiDAR)主动遥感技术以其高空间分辨率、高自动化数据采集效率而广泛应用于地形测绘,森林监测及城市建模等多个领域。本文在分析了机载LiDAR系统构成、数据的获取原理以及特点基础上,深入研究了激光雷达数据滤波原理与实现流程,引入形态学灰度重建作为 LiDAR点云滤波的工具,系统开展了融合形态学灰度重建与支持向量机(SVM)的滤波算法和融合形态学灰度重建与不规则三角网(TIN)的滤波算法,并利用多次实验反复验证了算法的稳定性与有效性。主要工作如下:　　①基于形态学灰度重建理论对机载 LiDAR数据进行滤波,以不同的高差对原始图像进行膨胀重建,将LiDAR数据初步分为地面点与非地面点。　　②融合形态学灰度重建与 SVM的滤波算法,从初始的形态学灰度重建滤波结果中自动选取种子点,进而利用 SVM统计学习理论对初始结果进行优化。通过与初始形态学灰度重建滤波结果进行比较,证明该方法有效。　　③融合形态学灰度重建与TIN的滤波算法,从初始的形态学灰度重建滤波结果中自动选取地面种子点构建地面三角网,T I N渐进滤波可自适应地调整地面点判据且逐层迭代得到最终滤波结果。两种基本算法的融合能实现互补,从而完成对形态学灰度重建初始结果的改进和优化。　　④利用Delaunay三角构网技术实现DEM高精度重建及可视化。