随着现代测量技术的发展,尤其是三维激光扫描技术的应用,快速有效地获取室外大场景的密集三维点云已成为事实。近些年来,三维点云数据在智能驾驶、逆向工程、虚拟现实和人机交互等邻域的应用也越来越广泛。其中,三维点云的分割与分类是众多应用领域的关键步骤,尤其是在智能驾驶、城市规划与测绘等室外大场景下的应用领域。因此,对室外大场景三维点云的有效分割与分类的研究,不但在学术界具有重要的学术价值,而且在工业界也具有重大的社会应用价值。但是由于室外大场景所处环境的复杂性,对其三维点云的分割与分类依然是一项极具挑战的工作。本文在充分研究、对比现阶段各类三维点云分割与分类算法的基础上,并根据室外大场景的主要特点,提出了一种兼顾快速性与准确性的三维点云分割与分类的完整框架。本文主要的内容如下:（1）室外大场景三维点云的分割:本文点云分割的流程为首先对原始点云进行离群点去除、地面滤波等预处理,然后再使用DBSCAN聚类算法对非地面点云进行分割。本文在现有地面滤波算法的基础上结合点云法向量差信息,提高了地面滤波的精度,为非地面点云的有效分割提供了较好的保证。同时针对点云的过分割问题采用了就近融合的策略,一定程度上提高了非地面点云的分割效果。（2）室外大场景三维点云的分类:本文点云分类采用的是基于分割的分类方法,即在前期非地面点云分割的基础上提取出不同物体的多种特征样本集,然后用其训练SVM分类器,最后用训练好的分类器对室外大场景三维点云进行分类测试。针对室外大场景下的物体种类,构建了包含建筑物、树木、街灯以及车等不同物体的三维点云数据库。另外,本文提出了一种新的基于多特征融合的点云分类方法。首先,提取出不同物体点云的全局特征,包括垂直方向切片采样直方图和质心距直方图,以及点云的二维投影图像HOG特征。然后,将其不同的特征进行融合得到一个特征识别能力强的样本集,并用SVM分类器进行训练与测试。实验结果表明,本文提出的基于多特征融合的点云分类方法不仅具有较高的精确率以及召回率,而且特征提取所花费的时间较短,运行效率高。