行道树作为城市景观和生态系统的重要组成部分,对于城市的空气净化、噪音防治和防风防沙具有重要的意义。目前对于行道树的管理养护大多采用人工的方式进行,包括枝叶修剪、洒水浇灌和喷施农药等。其中喷施农药对于行道树的病虫防治尤为重要,当前变量对靶喷雾技术已在农业病虫防治过程中取得成功应用,如何将高效率、低污染的变量对靶喷雾技术推广至行道树的施药就成为了重点研究内容。针对复杂城区化境下行道树靶标点云检测难度较大,使得对靶变量喷雾技术难以推广的问题。本文提出基于深度学习的行道树靶标点云分割方法,为行道树对靶施药提供基础数据。具体研究内容如下:（1）利用街道点云数据中的深度、一次回波强度和回波次数信息构建彩色街道点云图像,并以此为基础建立行道树点云图像数据集。从原始街道点云数据到街道点云图像需要一系列的转换,首先使用二维激光雷达移动扫描装置采集街道点云数据;接着解析原始街道点云数据,得到测量点的三维坐标,前三次强度和回波次数;然后选择测量点的深度、一次回波强度和回波次数作为点云图像R、G、B通道,构建彩色街道点云图像;最后依据彩色街道点云图像建立行道树点云图像数据集。此方法构建的彩色街道点云图像,测量点与像素严格对应。（2）提出了一种基于Mask R-CNN的行道树靶标点云分割算法,利用深度学习自动检测和分割行道树。基于已建立的行道树图像数据集,对基于Mask R-CNN的行道树靶标点云分割算法训练并对实验结果分析,结果表明该方法可以从建筑、行人、路灯等目标地物中精确的分割出行道树,在测试集的平均精确率为99.8%、平均召回率为99.4%、平均F1分数值为99.1%、平均每条雷达扫描线处理时间为36.364ms。为了提升本方法的性能,使用迁移学习的方法将大型图像数据集COCO上的预训练网络参数迁移到基于Mask R-CNN的行道树靶标点云分割模型中进行训练,并将实验结果与非迁移模型对比分析。结果表明,迁移学习后的模型有一定的性能提升。（3）鉴于实时性对于行道树靶标点云分割的重要性,考虑将模型中二阶段算法Mask R-CNN替换为一阶段算法YOLACT,提出基于YOLACT的行道树靶标点云分割模型。为了有效提升模型的性能,考虑到行道树图像与点云图像的相关性,训练基于YOLACT的行道树图像实例分割模型。将实例分割模型的参数进行迁移,训练二次迁移的YOLACT行道树靶标点云分割模型,并得到了平均精确率为98.1%、平均召回率为99.0%、平均F1分数为98.6%和扫描线处理速度为12.1ms实验结果。与一次迁移的YOLACT行道树靶标点云分割模型相比有较大提升,在性能上接近一次迁移的Mask R-CNN行道树靶标点云分割,而且检测速度有较大提升。