伴随着自动驾驶、数字城市等创新技术的提出,基于三维点云数据的室外场景语义分割对自动驾驶路况的分析和智能自主导航等应用的快速发展具有重要的作用。在数字城市建设方面,室外场景重建技术在城市规划、建筑物修复、增强现实等领域都有实际的应用。因此,室外场景的语义分割和重建问题越来越多的受到国内外学者的关注,并逐渐成为计算机视觉、计算机图形学等领域的研究热点。目前针对三维点云室外场景语义分割方法在自动化程度和算法复杂度方面仍然存在一些问题,本文针对复杂室外点云场景的自动语义分割技术和基于语义分割结果的室外场景重建方法展开研究。主要工作如下:(1)本文通过对DGCNN网络进行改进,利用卷积神经网络完成点云场景的语义分割。改进后的卷积神经网络结构直接将原始点云的三维坐标作为输入,去除对齐网络,利用DGCNN中的边缘卷积(EdgeConv)提取特征,在网络结构上减少了卷积层层数,降低了网络的参数量,使得网络结构更加轻量化;然后利用黄石公共数据集对本文改进后的深度学习网络进行验证;最后,将本文网络的语义分割结果与对比方法DGCNN网络进行对比,并从总体精度和交并比(Intersection over Union,IoU)对本文方法进行了评价。实验结果表明,本文改进后的深度学习卷积神经网络模型在室外场景语义分割中的表现要优于DGCNN网络,特别是室外场景中杆状物和电线的语义分割结果要优于DGCNN网络模型。(2)本文基于语义分割结果对建筑物墙面、杆状物、电线和地面点云分别进行了重建。针对场景中不同物体的数据特点和几何特性,利用“分而治之”的思想对不同的物体选择不同的方法进行重建。在对建筑物墙面的重建中,使用基于栅格化的区域增长方法将墙面分割为单个平面,针对每个平面求取构成平面的顶点,最后根据顶点对墙面进行重建。在对杆状物的重建中,首先基于欧式距离的聚类方法对杆状物进行分割,然后计算每个杆状物的高度和端点坐标,最后利用圆柱完成杆状物的重建。在对电线点云的重建中,首先采用欧式聚类对电线进行分割,然后计算每个电线两端的顶点和电线的长度完成对电线的重建。在地面点云的重建中,根据地面点云数据分布均匀的特点,使用了贪婪投影三角化的重建方法。本课题以直接获取的三维激光点云数据作为处理对象,探讨与研究基于三维点云的室外场景分类方法和基于语义分割结果的重建方法。通过使用卷积神经网络完成室外点云场景的语义分割,为点云数据的处理和场景重建领域的发展应用起到一些作用。