近年来,光学探测技术快速发展,激光雷达衍生出了多种扫描方式,在多种平台上起到了测距、测速、跟踪等功能。伴随着激光雷达逐渐成为最主要的三维点云数据的获取方式,基于激光雷达点云的多种科研课题逐渐成为了计算机视觉领域的热门课题。其中户外点云语义分割在重建城市三维地图、辅助智能驾驶等方面均有着重要的作用,吸引了广大学者参与研究。本文针对户外点云语义分割和引入跨源迁移的户外点云语义分割进行了深入研究,主要创新成果如下:（1）传统语义分割模型往往使用单层前向传播的方式传递特征,这种前向传播方式不仅没有充分利用每层特征中所包含的信息,当层数过多时还有可能出现梯度消失的现象。针对这个问题,本文提出了一种新型的点二重连接网络,每一层的输出特征不光会传递给下一层,还会传递给下下层。此外,本文还根据点云中每个点的空间邻近点信息设计了局部几何特征,该特征作为先验特征与点云原有特征串联后共同用于进一步的邻域特征提取。（2）激光雷达的快速发展也导致了激光雷达种类的多样化。由于扫描方式、探测方式等因素的差异,不同的激光雷达得到的点云数据有着很大的数据分布差异,直接的模型迁移往往很难得到满意的语义分割效果。本文将自编码器的思想与传统语义分割模型相结合,提出了一种引入跨源迁移的点云语义分割框架。在用语义分割端学习语义分割任务的同时,也用自编码器端学习待迁移数据集的底层特征。本文实现了三种具体的引入跨源迁移的语义分割模型。本文在Semantic3D数据集和NPM3D数据集上验证了点二重连接网络的效果,mIoU分别为72.7%与72.2%。在与其他算法的对比中,引入跨源迁移的点云语义分割模型在Semantic3D数据集到NPM3D数据集的最佳迁移效果与NPM3D数据集到Semantic3D数据集的最佳迁移效果上均提升了 4.4个百分点。本文的研究成果可以用于在得到一个大规模户外点云数据集的部分数据的语义标签后,为剩下的数据或另一个大规模户外点云数据集做语义标注。