我国现有人工林面积全球第一,而人工林生长质量却很差,需要进行合理的抚育采伐。目前,国内已经有自主研发的林木联合采育机,但采育目标的选取仍旧依靠人工选择,效率低且危险性大。本文以抚育采伐中单木特征提取与识别为研究对象,利用激光雷达获取采育区域三维点云数据,通过点云智能处理方法选出实验样地中的采育目标,实现采育作业的林区智能感知。本文主要研究内容如下:（1）搭建了背包式点云采集实验系统,获取了实验所用点云数据并进行预处理,为后续研究提供数据支撑。在机器人操作系统环境下实现了开源的Loam-SLAM算法,获取了不同区域（校园、公园人工林区、实验林场等）的点云数据,主要对象包括了长直立木、多枝立木、低矮灌木、建筑、平地以及坡地等。将采集的数据进行分块处理,提取本文研究所用实验样地50块,对样地数据进行滤波和降采样处理。（2）改进了适用于人工林的语义分割深度学习网络,制作了面向采育目标的林区语义分割数据集。根据50块分区样地数据和采育目标选择要求制作了专用的点云语义分割数据集,通过优选得到共计200个数据样本,将其划分为训练集和测试集,其中训练集有120个样本,测试集有80个样本。利用Piont Net、Point Net++两种深度学习方法分别开展研究,在天然林环境识别准确率分别达到62.4%和70.8%,在人工林中准确率达到72.5%和82.2%,提出一种改进的RPN-Point Net++算法,在天然林中检测准确率无明显提升,在人工林采育特征准确率达到90.1%,提升7.9%。（3）实现样地的林区点云数据地面滤波、单木分割、主干提取等任务,获得树高、胸径和株密度等参数,构建采育目标选择决策树模型。采用区域生长和欧氏距离的方法对样地开展单木分割,基于轴向分布密度和轴向相似度的方法提取树木主干,采用最小二乘拟合法、Hough变换拟合法、基于粒子的改进RANSAC拟合法等三种方法对立木胸径进行了计算提取,基于DBSCAN聚类算法划分了样地林木疏密度分区,最后,构建了采育目标选择决策树模型。（4）提出了基于主干干形曲线的采育目标特征提取方法,并应用点云数据进行了材积预估。采用逐层拟合法研究主干干形,得到干形的空间曲线参数方程,获取样地树木的空间直线度、曲率和挠度等特征,建立了采育目标选择的空间综合评价法。依据点云数据估计了树干削度方程参数,根据圆台拟合法预估了林木材积,对于规划林木采育生产具有重要意义。通过本文研究成果证明,依托林区点云数据,开展采育目标智能选取对于林木采育作业具有重要意义,为智能林机的深入研究奠定了基础。