激光雷达技术作为一种能够大范围获取地理信息数据的主动遥感测量方式,该方式不受地形、天气等因素影响,开始逐渐成为一种重要的地理信息数据获取方式。点云数据作为激光雷达技术的数据产品,具有海量、高精度、高密度等优势,且高质量的点云数据是后续相关地图数据产品生产质量的关键保障。与此同时,随着深度学习技术的不断成熟与发展,将深度学习技术与其他领域相结合的研究也是目前的热点问题。针对LiDAR点云数据的滤波处理,该文章围绕使用深度学习技术进行LiDAR点云滤波处理这一主旨,主要开展了以下几方面工作:首先,该文简要叙述了四种经典的机载激光雷达点云滤波算法原理,并对卷积神经网络及深度学习的相关概念与理论进行了介绍;然后,该文介绍了当前深度学习技术中常见的点云转换图像以及点云转体素算法两种点云转换算法,在其基础上进行了一定的改进,提出了基于三维视角的LiDAR点云转换算法,并对三种算法的实验处理效果进行了对比。实验表明,基于相同实验环境下的相同数据集,基于三维视角的LiDAR点云转换算法在处理速度上明显优于点云转体素方法,与点云转图像方法相比,处理速度较慢,但所需时间相差不大;最后,利用提出的点云转换算法进行了点云数据转换,进行了基于卷积神经网络的机载LiDAR点云滤波方法实验,神经网络模型分别使用了常规的AlexNet模型和改进的AlexNet模型进,获得相应实验结果。实验结果表明,基于常规AlexNet的机载LiDAR点云滤波方法取得了92.97%的滤波总精度,而基于改进AlexNet的机载LiDAR点云滤波方法则取得了96.86%的滤波总精度,改进的AlexNet模型进行滤波处理具有更高的精度优势。同时,基于相同的实验数据集,该文章将基于改进AlexNet的机载LiDAR点云滤波实验与其他滤波实验的结果进行了对比分析,结果表明,基于改进AlexNet的机载LiDAR点云滤波方法的I类误差的误差率为1.22%,II类误差的误差率为1.92%,II类误差率明显小于其他方法（2.26%,7.46%）,通常在点云滤波中,II类误差代表非地面点的识别精度,因此该文章提出的方法在非地面点的识别提取方面具有一定的精度优势,使用深度学习技术进行机载LiDAR点云滤波处理具有一定的可行性。