机载激光雷达作为近年来发展迅猛的高新技术之一,由于其获取地物空间三维信息的高精度、高效率等优势,被广泛应用于地形测绘、城市规划、森林保护等多个领域。目前尽管获取机载LiDAR（Light Detection and Ranging）点云数据的硬件系统已经非常成熟,但是机载LiDAR点云数据处理的理论和方法还在进一步完善。针对现有点云分类方法存在的特征提取单一,分类精度差等问题,本文以面向对象的影像处理思想为指导,结合机载LiDAR点云数据的三维空间信息,在基于区域生长的点云分割研究基础上,提出一种面向分割对象的机载LiDAR点云分类方法。主要研究内容如下:（1）针对传统区域生长点云分割方法中种子点选取方式不准确以及区域生长时出现的欠分割、过分割等现象,本文通过改变种子点选取方式并引入标号竞争机制,确保将每一点都划分到其对应的最优分割平面,实验证明该方法可以得到较为可靠的分割对象,并可用于后续点云分类实验的数据基础。（2）为了解决单点点云分类时特征提取单一、分类精度差等问题,本文在基于区域生长的点云分割研究基础上,提出一种面向分割对象的机载LiDAR点云分类方法。该方法以分割对象为基本单元,构建一组用于描述地物、地貌点云几何形状特征、高程纹理特征、几何表面特征、回波及辐射特征的特征向量,使用分割后的训练数据计算特征并训练随机森林分类器,利用随机森林的袋外误差计算每个特征的重要性,进而实现基于随机森林的特征选择,采用最佳特征组合重新训练随机森林分类器,并对分割后的测试数据进行特征提取和分类。基于初始分类结果进行三维拓扑优化,得到面向分割对象的点云分类结果。（3）采用ISPRS提供的Vaihingen地区benchmark点云数据进行分割与分类实验,实验结果表明,本文提出的结合区域生长和随机森林的点云分类方法可以有效提取测区的地面、建筑物、植被区域,特别是测区内地面点云的提取结果,其召回率达到96.65%,说明该方法在地面点云提取中效果较佳,建筑物点云提取的精确率为91.9%,说明通过本文研究方法提取的建筑物点云准确率较高。此外,为进一步验证本文算法的优势,本文设计了不同的对比分析策略,未归一化高程特征与归一化高程特征对比分析,支持向量机分类器与随机森林分类器对比分析,结果表明本文在训练随机森林分类器过程中采用归一化高程特征具有明显的优势,分类精度和Kappa系数都有一定程度的提升。该论文有图38幅,表15个,参考文献61篇。