在面向地理空间信息科学的技术中,利用激光雷达（LiDAR）实时、快速地主动采集三维空间的稠密点云数据已成为获取三维空间位置信息和属性信息的重要方法。当今,三维点云已成为除地图和影像之外的第三大类空间数据,并在数字地球、数字城市、智能交通和三维制图等领域发挥着十分关键的作用。在点云数据处理过程中,快速、高效和高精度的点云自动分割与分类技术是实现点云数据被有效利用的关键所在。点云分割与分类技术难点主要存在于两个方面:一是点云数据量巨大、密度不均匀、结构不规则,地物间相互遮挡,数据冗余与数据丢失并存;二是现有的比较先进的分类方法稳健性普遍不足,各类分类算法在大尺度场景下的运用具有明显的局限性。以上难点在车载Li DAR的点云分类中尤为突出。为了实现地理复杂场景中尤其是道路两旁地物目标的快速准确分类,本文提出了一种融合点云分割和改进的自适应邻域特征提取的点云分类的方法,将获取的点云数据主要分为建筑物、地面点、植被、路灯杆等地物。本文的主要工作如下:（1）针对当前三维点云数据分割存在稳健性差、效率低下等不足,本文提出了一种融合超体素与P-Linkage聚类的分割算法,自上而下地实现三维点云数据的准确快速分割。该算法首先将点云生成可以保留完整边界信息的超体素,然后在超体素的基础上进行链接式聚类,从而得到具有高精度、高边界召回率的分割区域,为校正分类边界错误奠定了良好的基础。（2）针对当前邻域特征提取不充分、不准确的问题,本文提出了一种改进的自适应邻域选择算法。该算法在已有的特征熵函数确定邻域范围的基础上,引入了一种距离加权函数,使得距离搜索点越近的点被赋予越高的权重,得到更为准确的邻域信息,从而准确提取该搜索点的特征信息,提高分类的精度;（3）针对由于地物结构复杂、地物之间遮挡严重以及点云密度不均匀等导致分类边界容易出错的问题,本文提出了一种用高精度分割区域修正分类边界的算法。该算法将分割区域与初分类结果在同一坐标系中进行投影,以分割区域的边界为标准修正分类结果从而得到正确的边界分类点云。该算法使最终分类的总体精度得到一定程度的提高。