地物覆盖监测对于生态环境系统保护、气候变化研究、土地资源管理和可持续发展变得越来越重要。在遥感领域中,分类方法常被用于获取地物覆盖信息。机载多光谱LiDAR系统能够同一时间获取地球表面上地物的光谱数据和空间几何数据,已成为一种快速的大范围空间数据获取手段。由于其获取的光谱与空间几何数据在空间和时间上具有相对完整性和一致性,为地物覆盖分类开启了新时代。近年来,卷积神经网络在图像分类、目标识别、自然语言处理方面均有重大突破。相较于常见机器学习方法,其具有更高效的特征表达和学习能力,以及更稳定的鲁棒性和容错能力。因此本文利用卷积神经网络对多光谱LiDAR数据进行地物覆盖分类研究。本文旨在利用卷积神经网络的特征提取和数据分析能力,建立相应的多光谱LiDAR数据地物分类模型,通过实验寻找模型的最优超参数,以提升模型整体的泛化能力和分类效果。本文取得了如下成果:(1)构建了卷积神经网络模型框架,仅通过简单函数层的堆砌减少模型参数,提高分类效率,并采用控制变量法对模型进行参数敏感性分析,寻找适合本文实验数据的最优超参数;(2)验证了卷积神经网络在多光谱LiDAR数据地物分类的可行性;与常见机器学习方法(主成分分析和随机森林),以及传统深度学习方法(Alex Net、VGG16和Res Net50)进行比较,分析卷积神经网络模型的优缺点。通过对Titan机载多光谱LiDAR数据研究表明:多光谱LiDAR数据和卷积神经网络模型为地物覆盖分类提供了有效的解决方案。