条纹管激光雷达作为具有研究前景的激光雷达之一,可以在全波形采样的基础上,同时获取多个探测区域及目标的高精度三维信息,在机载激光雷达测绘领域具备广阔的发展前景。在实地测绘过程中,条纹管激光雷达系统每秒获得的回波数据可以达到几百兆,使得高速海量回波数据的分析和处理成为目前的重点研究方向。而现有的分类识别方法是针对条纹回波数据反演出的点云数据进行分类和识别工作,这种二次数据处理方法降低了雷达数据的准确性和时效性,对后期雷达应用推广产生了一定影响。因此,针对条纹管激光雷达回波数据及图像的直接分类提取研究是必要的。随着机器学习以及深度学习的发展,越来越多的机器学习方法被引入到图像处理领域,解决如图像识别、图像分类等任务。其中随机森林算法是在决策树算法的基础上融合了集成学习方法得到的强分类器,在分类任务和回归任务中均有出色表现。本文基于随机森林算法,提出了直接对原始条纹回波信号进行分类处理,并结合图像识别技术提出了对条纹图像中的目标区域进行单独提取和归类的方法。该方法结合了随机森林算法的快速性和抗干扰能力,较好的解决了现有条纹回波数据二次分类方法时效性和准确性较差的问题,在对不同地形的分类任务中都表现出良好的适应性。本文根据形态学特征和局部检测特征理论,结合特征提取流程建立了条纹图像的特征提取算法,对原始条纹回波信号特征进行分析和提取,并利用得到的特征集结合随机森林分类模型训练流程建立了随机森林分类模型,初始模型的分类准确率为86.6%。模型建立完成后,使用网格搜索法对随机森林模型的基决策树数量、基决策树最大深度进行调参,得到的最优随机森林分类模型的基决策树数量为130,最大基决策树深度为8,分类准确率为89.3%,并通过最优模型的袋外数据估计得分计算样本特征重要性,从而验证了特征数据库中的特征分布。通过对比随机森林算法与其他分类算法在执行条纹回波信号二分类和三分类任务时的准确率和召回率,可以看出随机森林算法在处理条纹回波数据时是具有显著优势的。最后使用分类模型对条纹回波信号数据进行了分类和标记,将最后的分类结果进行了点云转换和显示,并利用分类好的条纹回波数据进行了典型目标的提取和点云转换。