近年来,机载激光测距(Light Detect and Range, LiDAR)主动遥感技术以其高空间分辨率、高自动化数据采集效率而广泛应用于地形测绘、森林监测以及城市建模等多个领域。然而,由于LiDAR所采集的信息是关于地表特征的高密度三维离散点(称为“点云”),缺乏语义线索,难以作为专题信息直接使用,因此发展高效的数据处理算子如分类算法,从“点云”中提取诸如水域、树冠以及道路网等专题信息成为目前研究的热点和难点。本文以支持向量机(SVM)统计学习为理论依据,对城区机载LiDAR数据分类问题进行了研究,以实现对城区机载LiDAR数据多元分类(地面,树木,建筑)为目的,主要工作如下:　　①基于参考文献及相关试验结果,确定了对机载LiDAR数据进行多元分类所需的特征矢量,该矢量包括4个特征值:高度信息,高度变化,平面拟合误差,激光返回强度。　　②基于支持向量机分类过程中不同特征对分类结果贡献存在差异这一事实,提出了支持向量机加权学习(Weighted Support Vector Machine,W-SVM)的概念,并通过引入特征单类权重、多类权重属性以及特征的加权归一化处理来予以实现。　　③结合SVM分类的精度估计过程,给出了本文两种特征权重的计算方法并据此提出了多元分类策略1AAA1,分阶段构造具有最大响应输出能力的分类器,从而整体上保证了分类可靠性。　　④以两组标准测试数据以及两块城区的机载LIDAR数据以及两块标准测试数据为例,就其中特征矢量的选取与加权归一化,特征权重的计算以及多元分类策略1AAA1的实施进行了详细的描述、讨论和说明,最后给出了分类精度。通过与传统SVM分类结果的对比分析,表明了新方法的有效性。