近来,科技的飞速发展使地理空间专业人士能够远程收集特定目标上的多种类型的传感器数据。这些数据带来的挑战与机遇并存。一方面,数据的异质性给它们的高效处理带来了挑战,但另一方面,多源数据集的涌入和可用性也为组合利用异源和多模式数据提供了新的机会,从而使地理空间应用的结果得到改善。LiDAR数据可提供丰富的空间/几何信息,但由于缺乏光谱信息,其在(复杂)城市场景识别任务(如分类)的应用范围有限。高光谱影像数据可提供丰富的光谱信息,但会带来许多问题,例如该数据缺少高程信息,同时训练样本的可用性有限以及来自成像传感器和环境的噪声影响等问题,从而使高光谱数据的分类成为挑战。考虑到各个传感器数据的局限性和功能,以及分类算法设计的本质是提取出有效且区分度高的特征。本研究旨在利用原始LiDAR点云数据并结合该区域的高光谱数据,基于深度学习的时空光谱特征表示方法获取城市场景中目标的最佳特征从而进行分类,并将分类结果标注在原始LiDAR点云上。本文提出了用于初始高光谱特征提取的类-波段选择和降维方法(CBSR)。然后通过双分支卷积高斯-伯努利深度置信网络(CGBDBN),从LiDAR和高光谱图像数据中提取深层次的,分级的空间特征。通过堆叠的集成建模,使用融合规则从两个特征流中获取时空光谱特征,然后基于此进行分类,并将投影后的分类结果在原始点云上进行标注。本研究提出的方法在用于城市场景分类的IEEE地理科学与遥感学会(GRSS)2018数据融合竞赛数据集和MUUFL Gulfport数据集上进行了实验。实验结果表明,结果表明,本文所提出的CBSR技术能够最大化类间差异性,并最大限度地减少小而显著特征的衰减,有助于区分光谱的相似类。与最先进的方法相比,取得了非常有竞争力的结果,从而表明其能够产生高度区分性的特征,使其成为一种强大的光谱特征表示技术。此外,CGBDBN的权重共享属性,概率建模,深层次和分级结构性质使其能够捕获具备高度区分性,层次结构的语义特征。同时,与单独的空间或光谱特征相比,所生成的空间光谱特征具有更高的判别力,并且明显有助于改善所提模型的功效。此外,与从RGB或IRRG中获得的离散多光谱特征相比,将高光谱特征作为光谱特征纳入多源数据分类任务中,在提高性能方面要有效得多。此外,基于现有的HSI地面真实值对原始点云进行标记的策略不仅减少了时间和人力成本,而且开辟了一条将点数据分到有用的子类的途经。总体而言,基于评估指标和计算效率,所提出的方法对于原始LiDAR点云的高程变化较大区域和高程相近区域的分类都是可靠且有效的方法。