为了更好地分析植被的变化，观察林业作物的生长状况，采用地基式激光雷达和手持式激光雷达采集的点云数据，运用机器学习对植被进行分类研究。目前，通过点云协方差矩阵的特征组合进行植被分类存在特征冗余，部分特征的分类效果较差的问题，主要体现在对于植被部位交界处的划分上。为了更加准确地对植被进行分类，研究了基于协方差矩阵的特征提取及Fisher算法的特征选择的点云分类，并提出了积面特征和指向特征，新的特征可以作为支持向量机分类器的输入参数。在地基式激光雷达采集的数据中，两种特征通过Fisher算法计算出的权重分别为7.25和5.78，且积面特征的权重仅次于权重最大的特征λ2（λ2为点云协方差矩阵的特征值），其权重为8.45。使用原特征进行分类的总体精度为99.15%，加入新特征后总体分类精度提高了0.75个百分点，并且对于树干、地面和灌木的交界处的分类效果显著。实验结果表明，所提新特征组合具有较高的权重系数，能够有效提高植被分类精度。对手持式激光雷达采集的数据进行分类的效果也同样较好，使用新特征后总体分类精度达到99.74%，验证了该分类算法具有较强的鲁棒性。