机载激光雷达检测与测距技术（airborne Light Detection and Ranging, LiDAR）是当前发展迅速的空基移动测绘技术,也是获取高精度地表观测数据的重要技术手段。采集的点云数据成果已经成为越来越多测绘活动的标准基础数据内容。近十年来,随着相关硬件传感设备和运载工具技术的不断进步,目前可获取到的激光扫描数据正朝着点数高密度、空间位置高精度、属性数据高维度的方向发展。相对于以前稀疏的点云数据只能供大范围的地形产品,技术进步赋予激光扫描技术具有更精细地描述地面观测对象的能力。相关成功应用已广泛分布于数字城市建模、植被分类、交通信息提取、环境变化研究等众多方面。点云数据分割是LiDAR点云数据自动化提取和重建过程中非常重要的一项处理环节,它一直以来是摄影测量与遥感、机器学习、三维处理与计算机视觉等领域关注和不断研究的焦点问题。因此,研究高效的激光点云数据分割方法对于自动化的点云数据处理是具有十分重要的意义。针对目前高密度多维度机载激光扫描数据分割方法大多需要先验知识和几何约束模型的不足,以及处理过程中还需要大量人工干预、经验参数实验设定的问题,论文结合激光数据中包含的丰富非空间信息,挖掘和利用这些信息背后蕴含扫描对象的物理性质异质性进行多维空间数据聚类。通过使用流形空间的数学概念将在多维特征空间中不同数据点进行移动、模式聚类和类群划分,并结合参数自适应调整和优化的最近邻域查找方法完成了点云数据分割的目标。论文的主要研究内容如下：1、研究了激光扫描技术的原理和当前机载激光雷达系统的主要构成。分析了当前点云数据分割领域国内外已有的研究成果和方法,对各方法的实现方式和结果进行了分析,确定了论文的主要研究方向。2、系统分析了流形空间的定义与矢量均值聚类算法,对矢量均值过程进行了分析,并将其推广到非线性的流形空间,分析了流形度量下该改进算法的性能,针对不同黎曼流形提出了算法设计步骤。结合机载激光点云包含的多维数据特点提出了基于流行度量上的非线性聚类移动方法,在流形空间上实现了新的距离度量和非参数化分割框架,完成了对扫描点云位置与多维属性联合特征空间的统一聚类分割。3、分析了聚类移动过程中带宽参数设置问题,提出了定义势能约束函数用于调整多维空间数据点之间的关系。通过在势能函数收缩过程中进行带宽参数更新,保证了聚类移动过程相对于原始方法具有更快的收敛性。实验表明提出的改进可以更好地进行激光点云数据的自适应分割。4、研究了数据移动过程中最近邻域查找的问题,通过对多维数据的高斯划分,然后建立多层哈希数据虚拟数据索引,相对于传统线性查找大幅提高了邻域查找效率。5、采用真实场景测试数据对提出的点云分割处理框架进行了实验,并参照实况数据对分割方法的准确性进行了统计与分析。实验表明,提出的基于流形理论的点云分割处理框架对于明显的人工地物如建筑物和植被具有很好的区分性,验证了论文框架和算法的有效性。论文的主要创新体现在：1、提出了基于流形空间度量上非线性聚类移动算法,解决了不同度量空间下的多维度数据类间距离的度量和非参数化分割问题,实现了激光扫描点云空间与多维属性联合特征空间的统一聚类。2、提出了以势能收敛函数定义数据点间相互距离关系,解决原数据移动过程中固定带宽参数人工实验选取的问题,使多维点云数据进行数据移动时参数可以自适应选择,与固定带宽的均值聚类算法相比,处理时间仅为原方法的1/3。3、在局部敏感哈希算法基础上首先进行数据高斯划分的预处理过程。在点云分割中为最近邻域检索处理提高了搜索效率,在确保较小查找返回错误率的条件下,相对于传统的线性邻域检索效率平均提升10倍以上。