随着遥感影像数据的分辨率不断提升,可以识别更小尺度的详细地物信息,而LiDAR探测技术能够获取高精度的三维空间信息,使遥感数据的信息表达几乎接近现实中人眼的感知效果。在面对多源数据的时候,人脑可以快速地进行分析和提取感兴趣的目标,但计算机的处理方式还不够智能化,融合多源数据的信息提取技术还有很大的发展空间。本文利用LiDAR数据与高分辨率遥感数据进行多源数据融合的地物分类提取研究。利用LiDAR数据在三维空间信息方面的特点与优势,结合高分辨率遥感影像丰富的光谱和纹理信息,将两者的优势进行结合,弥补了各自的不足。首先概述了LiDAR系统的原理及其数据处理过程,对LiDAR点云数据滤波方法进行分析,提出了一种改进的点云滤波方法,将地面点与非地面点区分开来；进一步提取LiDAR点云数据和影像数据的特征,用于LiDAR点云数据的精细分类；最后对融合LiDAR数据的高分辨率遥感影像的分类方法进行研究。总体来说,本文的主要工作及贡献有以下几点：(1)对机载LiDAR系统的基本原理进行了总结和分析,概述了LiDAR数据的特点,并对LiDAR数据预处理过程进行阐述。详细阐述了LiDAR数据与影像数据配准的基本原理和主要方法,为后续数据处理及LiDAR数据与高分辨率遥感数据融合的信息提取提供了基础和理论依据。(2)针对LiDAR点云数据离散性和盲目性的特点,对LiDAR点云的滤波方法进行研究。首先分析了LiDAR点云滤波的基本原理和滤波过程中的难点,并详细总结和分析了现有滤波方法在解决难点区域滤波的不足,提出了融合多特征的LiDAR点云数据滤波方法。分析了LiDAR点云数据自身的属性特征,并结合遥感影像的光谱信息用于滤波过程,采用多尺度虚拟格网的数据结构来组织点云数据；然后利用多重回波信息初步分离部分非地面点,在包含地面点的单次回波与末次回波的点集中,根据高程纹理特征和点云强度特征确定初始地面点；再利用格网的高程均值、点云离散度和光谱信息特征进行激光点的过滤。滤波过程中,通过改变格网大小进行重复迭代计算进一步精化滤波结果,生成最终的DEM。融合多特征的LiDAR点云数据滤波方法,加入了多种特征作为滤波判断条件,避免了单一条件的出现的漏分和误分现象,提高了整体滤波精度。(3)为了满足LiDAR点云数据提取精细地物类别的需求,本文对融合影像信息的LiDAR点云精细类别的识别技术进行了研究。本文结合影像丰富的光谱和纹理信息进行LiDAR点云数据分类,提出了一种基于特征加权支持向量机的多特征点云分类方法,在基于离散点集的表达的基础上提取点云的特征和影像的特征,采用SVM机器学习方法进行分类。针对传统SVM没有考虑不同特征对分类结果中类别的贡献,本文利用特征权重改进了传统的RBF-SVM分类器,提出融合影像特征的LiDAR点云特征加权SVM分类方法。通过实验表明,该方法可以进一步提高LiDAR点云分类的精度和效率。(4)对于高分辨率遥感影像,面向对象分析方法将对象(Object)作为影像特征提取与分析的基本单元,相比于传统的基于像素(pixel-based)的影像分类方法,在充分利用高分辨率影像的几何信息与结构信息方面具有明显的优势。本文利用面向对象分析的方法研究融合LiDAR数据的高分辨率影像面向对象分类,基于先分割再分类的思想,先融合影像、nDSM和NDVI进行多尺度分割,生成具有均质性的影像对象,再利用对象的特征信息进行基于规则的模糊分类。在多尺度分割的过程中,提出了基于影像对象的标准差的倒数和对象与相邻对象的均值差分的绝对值两个参数的不同类别的最优分割尺度选择方法,构建了不同尺度的对象层次网络结构,并对模糊分类隶属函数的定义、模糊规则库的构建及分类流程进行了分析。实验表明,融合LiDAR数据的高分辨率影像面向对象分类可以比LiDAR点云分类提取更多的地物类别信息,并达到不错的分类精度。全文围绕LiDAR数据与高分辨率遥感影像融合应用的相关技术问题,从融合多特征的LiDAR点云数据滤波、融合影像特征的LiDAR点云SVM分类、融合LiDAR数据的高分辨率影像面向对象分类三个方面深入研究了具体的融合方法,并实验证明了本文方法可以有效地提升分类结果的精度。本文的研究成果在一定程度了促进了LiDAR数据与影像数据的融合分类技术的深入发展,为多源数据融合技术的发展与应用提供一定的参考和借鉴。