通过将摄像机与激光雷达联合标定,可以使三维点云数据获取颜色信息,成为三维彩色点云。彩色点云数据更接近于真实世界,可以更好的反映机器人所处的环境信息。因此,研究如何基于彩色点云进行自然地形分类,对智能机器人环境理解有重要的研究意义。本文主要研究基于三维彩色点云的地形分类方法。研究的主要内容包括彩色点云数据预处理、点云鲁棒特征提取、变尺度三维栅格地图的建立以及基于变尺度三维栅格地图的自然地形分类。本文的主要研究成果如下：为了使散乱的点云数据之间具有拓扑关系,使用位移计算法为散乱点云计算Morton码。为了减少噪声数据对点云特征提取及分类结果的影响,使用邻域平均算法为点云数据去噪。实验结果表明,根据点云数据的Morton码,任何一个点都可以方便地搜索其k近邻。经去噪算法处理后,原始数据中的大部分孤立的噪声点可以被检测出。为了减少野值对点云局部特征提取的影响,提出了一种基于局部平面拟合和RANSAC的野值检测方法。首先通过RANSAC迭代选取局部最优拟合平面,然后根据每个点到该平面的马氏距离检测野值。实验表明该方法可以提高特征提取的鲁棒性。为了提高对自然地形彩色点云的分类效果,研究了采用不同特征提取方法对分类结果的影响。实验结果表明融合颜色特征以及几何特征作为类别特征可以有效提高分类结果的正确率。根据激光雷达采集点近密远疏的特点,提出了一种基于变尺度三维栅格地图的地形分类方法将一个未知地形分成道路、草坪、建筑和树木4类。首先创建一个变尺度三维栅格地图,然后使用三维点云的特征提取方法计算体元的鲁棒特征,最后使用基于双支持向量机(TWSVM)的多类别分类器将体元进行多类别分类。实验结果表明,变尺度三维栅格地图能在保持一定精度的情况下减少体元数量并且减少噪声,对真实环境采集的数据集有较好的分类效果。根据体元数据大量且非均匀分布的特点,采取处理图像时重复利用先前计算结果以提高计算效率的思想,提出了一种能根据体元密度自适应处理体元数据的优化计算方法。实验表明,该方法可以有效提高三维栅格地图的计算速度。