【背景】传统方法因静态感受野设计较难适配城市自动驾驶场景中汽车、行人及骑行者等目标的显著尺度差异，且跨尺度特征融合易引发层级干扰。【方法】针对自动驾驶场景中多类别、多尺寸目标的3D检测中跨尺度表征一致性的关键挑战，本研究提出基于均衡化感受野的3D目标检测方法VoxTNT，通过局部-全局协同注意力机制提升检测性能。在局部层面，设计了PointSetFormer模块，引入诱导集注意力模块（Induced Set Attention Block, ISAB），通过约简的交叉注意力聚合高密度点云的细粒度几何特征，突破传统体素均值池化的信息损失瓶颈；在全局层面，设计了VoxelFormerFFN模块，将非空体素抽象为超点集并实施跨体素ISAB交互，建立长程上下文依赖关系，并将全局特征学习计算负载从O（N ²）压缩至O（M ²）（M<<N， M为非空体素数量），规避了复杂的Transformer 直接使用在原始点云造成的高计算复杂度。该双域耦合架构实现了局部细粒度感知与全局语义关联的动态平衡，有效缓解固定感受野和多尺度融合导致的特征建模偏差。【结果】实验表明，该方法在KITTI数据集单阶段检测下，中等难度级别的行人检测精度AP（Average Precision）值达到59.56%，较SECOND基线提高约12.4%，两阶段检测下以66.54%的综合指标mAP（mean Average Precision）领先次优方法BSAODet的66.10%。同时，在WOD数据集中验证了方法的有效性，综合指标mAP达到66.09%分别超越SECOND和PointPillars基线7.7%和8.5%。消融实验进一步表明，均衡化局部和全局感受野的3D特征学习机制能显著提升小目标检测精度（如在KITTI数据集中全组件消融的情况下，中等难度级别的行人和骑行者检测精度分别下降10.8%和10.0%），同时保持大目标检测的稳定性。【结论】本研究为解决自动驾驶多尺度目标检测难题提供了新思路，未来将优化模型结构以进一步提升效能。

【目的】 基于模型驱动的机载LiDAR建筑物点云三维模型重建依赖于建筑物点云与预定义基元间的拟合，受建筑物点云密度不均与噪声影响，基元拟合过程中在结构细节上极易产生误差，导致模型重建结果的精度较低。为提高模型重建的精度，本文提出了联合序列二次规划及高程步长校正的机载LiDAR建筑物点云三维模型重建方法。【方法】 首先，建立一个含有经典屋顶结构的基元库，包含简单屋顶、复杂屋顶以及阶跃型屋顶，并结合各屋顶面片间的邻接关系与脊线属性构建邻接矩阵，根据邻接矩阵在基元库中选取最佳匹配的基元；其次，通过序列二次规划算法计算基元形状参数，获得在全局最佳拟合状态下的参数配置，得到初始的建筑物三维模型，通过旋转、平移建筑物模型来校正其与建筑物点云在三维空间中的相对位置；最后，利用城市地理标记语言(City Geography Markup Language, CityGML)储存结构清晰、拓扑正确的建筑物三维模型。【结果】 选取Building3D数据集中10组经典的建筑物点云用于建筑物三维模型重建实验，将本文方法与现有相同基于模型驱动方法的重建结果进行对比，并使用经典的精度评定指标对结果进行定量分析。所选用实验数据对应的目标函数平均值为0.32 m，相较于对比方法精度提升0.03 m，建筑物基元与建筑物点云的水平平均偏差为0.10 m，竖直平均偏差为0.04 m。【结论】 本文通过序列二次规划算法求得的最佳形状参数可构建拓扑完整，形状规则的建筑物三维模型；以屋顶点云平均点间距为步长的高程梯度校正可以有效提高建筑物三维模型重建精度。

【目的】 目前，LiDAR退化环境检测方法存在需要启发式阈值、计算间接评价指标、检测效率低的问题。【方法】 本文提出一种基于改进XGBoost的LiDAR退化环境检测方法。实现了从环境的几何结构角度直接检测单帧点云的退化情况。本文基于LiDAR点云数据构建分类特征体系，用于建立XGBoost决策树。在此基础上，采用模糊综合评价算法计算每个特征的综合重要性度量指标，用于构建有效的特征子集，从而提高检测精度。同时，通过一种基于Spearman秩相关系数的双向特征筛选策略来加速构建特征子集，从而提高模型的训练效率。针对XGBoost的初步检测结果，本文基于滑动窗口策略和多数投票策略对其进行二次修正，提高最终的LiDAR退化环境检测的精度。为验证本文方法的有效性以及对LiDAR退化环境的检测效果，通过搭建实验平台，采集真实场景数据并设计了相关实验。【结果】 实验结果表明，本文方法各组成部分的有效性均能够被合理地验证；LiDAR退化环境检测成功率为94.41%，非退化误检测率为1.24%；相较于LOAM退化检测模块，检测成功率提高了10.91%，误检测率降低了95.26%，检测效率提高了56.97%。【结论】 本文方法实现了高效率、高精度的LiDAR退化环境检测。

【目的】 由于点云的非结构化和无序性，现有的深度学习点云分类网络存在局部特征和全局特征挖掘不充分并且缺乏有效的上下文特征融合的问题，难以实现地物精细分类。因此，本文提出了一种顾及局部-全局特征多尺度卷积注意力网络的点云地物分类方法。【方法】 首先，针对点云的非结构性，构建局部加权图学习中心点和邻域点的位置关系，动态调整核权重，以获得更具代表性的局部特征。同时提出全局图注意力模块，考虑各点之间的全局空间分布，应对点云无序性的同时，可以有效捕获全局上下文特征，从而有效整合不同尺度信息。此外，设计自适应加权池化模块进一步实现局部和全局特征的自适应融合，最大程度提高网络的分类性能。【结果】 应用开源Toronto-3D点云数据集和实测校园点云数据集验证本文方法有效性，实验结果表明，在Toronto-3D数据集本文方法的OA和MIoU分别为97.21%和85.46%，相较于Pointnet++、DGCNN、RandLA-Net、BAAF-Net和BAF-LAC等网络模型，OA提升了1.99%~8.21%，MIoU提升了3.23%~35.86%，在校园数据集本文方法的OA和MIoU分别为97.38%和85.70%，OA提升了0.58%~10.53%，MIoU提升了2.01%~32.01%。【结论】 本文方法实现了复杂场景下高精度、高效率的自动化地物精细分类。

针对室内环境中超宽带（Ultra-Wideband，UWB）信号易受障碍物遮挡导致非视距（Non Line of Sight，NLOS）误差的问题，本文提出了一种基于激光雷达（Light Detection And Ranging，LiDAR）点云识别UWB NLOS的融合定位方法，该方法利用LiDAR点云信息辅助UWB NLOS识别，并通过UWB视距（Line of Sight，LOS）测距值消除LiDAR同时定位与建图（Simultaneous Localization and Mapping，SLAM）过程中的累计误差，从而提高室内融合定位精度和鲁棒性。首先，采用八叉树对LiDAR点云进行处理，根据UWB基准站位置信息构建测距方向，并从LiDAR点云中提取测距方向上相关区域的点云数据。然后，通过3D Alpha Shape算法对所提取点云中可能阻碍UWB信号传播的障碍物进行轮廓提取。此外，根据分析提取的障碍物轮廓和UWB测距方向的空间关系，以此有效判定UWB信号是否存在NLOS测距情况。最后，剔除UWB测距过程中存在的NLOS测距值，通过紧组合方式，采用扩展卡尔曼滤波（EKF）将UWB LOS测距值和LiDAR SLAM的定位信息进行融合解算，消除LiDAR SLAM定位结果中的累积误差，以此提高融合定位精度和鲁棒性。为验证本文所提出的融合定位算法的有效性，通过搭建的融合定位实验平台在教学楼大厅进行了NLOS静态识别实验，在地下停车场进行了动态NLOS识别与动态定位实验。实验结果表明，该方法能够显著提高在室内复杂环境中的NLOS识别与定位的准确性，相较于单传感器定位与UWB原始测距值与LiDAR SLAM紧组合EKF的定位方法，NLOS识别准确率为93.22%，定位精度分别提高了49.24%、47.03%、96.13%，定位误差为0.067 m，实现了亚分米级室内定位。

隧道断面的精确提取是隧道形变分析中的一个关键环节，然而，隧道内部复杂的形状和环境使得点云处理算法变得复杂，传统的断面提取与变形分析算法已经不适用于点云数据，因此亟需更高效和更鲁棒的算法。针对这一问题，本文提出了一种基于点云数据的隧道断面连续提取方法。首先，引入结合随机样本一致性（Random Sample Consensus，RANSAC）圆柱拟合与半径滤波的方法，以有效滤除离群点及附着在隧道壁上的噪声点；接着，通过双向投影获取隧道中轴线，并根据“与隧道中轴线正交旋转的直线相交于隧道壁”建立数学模型，从而实现对隧道点云断面的连续提取；最后，以断面点的拟合圆心坐标和设计半径为参数计算隧道的形变量，并通过可视化渲染直观展示隧道整体变形情况。为证明本文方法的有效性，实验选取了成都市某地铁线路三段地铁隧道的激光点云数据，结果表明，该方法滤除噪声时I类误差、II类误差和总误差均值分别为1.48%、1.03%和1.21%，Kappa系数达到97.45%。相比传统的最小二乘法、密度聚类法以及法向偏差法，本方法的3类误差之和分别降低了9.34%、10.61%和4.41%，Kappa系数则提高了5.36%、6.38%和3.65%。这充分展现出本方法更优越的鲁棒性和准确性；此外，该方法所提取出的隧道断面拟合半径与设计半径的偏差均值低至1.36 mm。相比目前的1.60 mm方法及6.00 mm方法，本文方法的偏差均值分别降低了2.5 mm和2.7 mm。而求得隧道形变量范围在0~18 mm之间，同时通过点云渲染方式直观展示了隧道整体变形情况。本研究的方法为隧道安全监测工作提供了可靠依据和基础支持。

针对基于常见点云帧间配准算法所构建的传统LiDAR里程计在退化环境中定位鲁棒性差的问题，本文借助修正后的激光强度提出了一种面向退化环境的LiDAR里程计定位方法，并提出了一种准确的LiDAR退化环境检测方法。首先，基于激光强度性质和消元思想提出一种强度修正方法，并采用无监督位置修正方法共同优化原始点云。以此为基础，提取4种点云特征并采用模糊综合评价方法准确地检测每帧点云的退化情况。针对非退化点云，提取线、面特征构建兴趣点集合；针对退化点云，借助激光强度并提出一种“米字搜索”方法提取非退化特征，同有效的线、面特征构建兴趣点集合。最后，通过合适的配准算法处理帧间兴趣点集合，从而构建鲁棒的LiDAR里程计。实验结果表明，本文方法修正激光强度的正确率为93.34%； LiDAR退化点云正确检测率为98.58%，非退化点云错误检测率仅为2.24%；本文提出的LiDAR里程计定位方法相较于基于特征配准算法和ICP算法所构建的LiDAR里程计，定位均方根误差分别降低了90.00%、83.96%，最大误差分别降低了86.23%、79.07%，单次帧间配准所需时长为0.006 9 s，有效地提高了退化环境中传统LiDAR里程计的定位精度，并兼顾了数据处理效率；相较于同领域的对比方法，本文方法展现出了更显著的优势。

可视性是指在一定环境条件下，观察者从特定位置所能看到的空间范围。针对现有基于点云数据的可视性分析方法主要聚焦于室外视角，同时未充分考虑点云空洞的问题，提出一种减弱点云空洞影响的室内视角可视性分析方法。首先，将预处理得到的窗户中心点看作视点，以视点为中心，理论视距为半径，构建半球形视域空间。然后将视域空间内的点投影至深度图像形成视域图像，其像素深度值即为可视视距。通过分析视域空间的可视范围，模拟室内通过窗户观测到的外部场景。在这个过程中，点云空洞会造成视距错误，利用空间属性对视域空间分类，并根据不同类别视域空间的地物连续性和遮挡关系提出视距校正方法，以减弱点云空洞对可视空间体积的影响。最后，利用视点处的可视空间体积指数进行可视性分析，并与现有基于体素、基于表面的可视性分析方法以及人工评价进行比较。结果表明，本方法与人工评价的结果具有更好的一致性，能够更有效地分析建筑内部的可视性，为城市规划、景观设计等相关领域提供了一种全面可靠的可视性分析策略。

城市三维模型是数字孪生、智慧城市建设的重要载体，实现建筑轮廓线的有效提取是城市高精度建模和三维测图的关键步骤。针对现有建筑物轮廓线提取效率与准确度较低的问题，本文提出了一种基于彩色机载点云的建筑轮廓线深度学习提取方法。首先，通过垂直投影，由经过渐进形态学滤波后的建筑物彩色机载点云，分别生成描述建筑物空间信息的高程栅格图像与反映其纹理差异的可见光栅格图像；然后，利用Line-CNN深度学习网络，经过特征提取、结点预测、路线生成等过程，从栅格图像中初步提取出线段特征；最后，为有效提取轮廓线特征，提出了一套综合修剪与补全操作的优化策略，并结合高程和可见光栅格图像中的优化线段信息，获得规则且完整的建筑物轮廓线特征。经过对南京信息工程大学的机载点云数据以及ISPRS H3D 2019数据集的实验证明，该方法对机载点云建筑物轮廓线提取有效，避免了因三维点云深度学习中标定样本不足而无法直接提取的问题；能准确、完整地提取出场景中建筑物的轮廓线特征，平均准确度与完整度均高达90%，且算法较为高效，有利于大范围城市三维建模与地籍测量等相关应用。

单木分割的精准度对林木资源的调查有重要意义。但是，传统的单木分割算法在处理大规模点云数据时存在临近树木易混淆、算法运算效率低等问题，针对上述问题，本文提出改进谱聚类和粒子群改进K-means聚类的单木分割算法。首先，通过Mean Shift算法对点云数据进行体素化，在该过程中采用自适应带宽和高斯核函数来计算体素间的相似度，以构建出反映体素特性的高斯相似图。然后应用Nyström方法处理高斯相似图，采用K最近邻搜索采样，以选取代表性样本，降低谱聚类在处理大规模数据时的计算负担，同时保持数据的核心特性。通过Nyström近似，得到相似图的近似特征向量，实现从高维空间到低维特征空间的有效映射。最后引入粒子群算法对K-means聚类进行优化。该优化先随机初始化一群粒子，每个粒子代表一组潜在的聚类中心，在每一次迭代中，粒子根据个体历史最佳位置和群体历史最佳位置更新其速度和位置，并调整聚类中心以最小化内部聚类距离。这种策略能够平衡全局搜索与局部搜索，避免陷入局部最优。本文选取NEWFOR公开的点云数据进行实验。实验结果表明，本文算法获得的分割结果相较对比算法准确率提高5.3%，处理效率提升23倍。

ICESat-2作为新一代多波束激光测高卫星采用了光子计数体制，其探测数据中存在大量噪声，造成光子数据在轨处理和传输时面临巨大挑战。为了在轨高效地对原始探测数据进行去噪处理，以降低星地传输数据量，本文设计了一种基于原始探测光子泊松分布特性的直方图去噪算法。该算法分为光子点云的垂直直方图化和倾斜直方图化。首先，根据光子传输距离将点云数据段划分为二维格网形成垂直直方图，利用直方图箱光子数的均值和标准差计算信噪分离阈值，并对信号光子赋予低、中和高置信度标签来表征信号可靠性；其次，对识别的中、高置信度光子进行线性拟合获取坡度信息，将光子传输距离投影到沿坡面垂直的方向形成倾斜直方图，进行二次信号光子识别且合并置信度标签；最后，对噪声光子进行剔除以实现原始数据的压缩下传。同时，本文对比研究了基于密度的空间聚类应用(Density-Based Spatial Clustering of Applications with Noise, DBSCAN)算法和对点排序以识别聚类结构(Ordering Points to Identify the Clustering Structure, OPTICS)算法性能。通过8种地类的ATL02数据开展测试实验，结果表明，DBSCAN算法会导致信号光子丢失，而OPTICS算法会产生虚假信号簇，相比之下，直方图算法有效避免了这些问题的产生，并且在实验中对不同地类具有较好的稳健性和适应性。在直方图算法中，垂直直方图算法对信号光子召回率R均为1，查准率P和调和F值平均在0.90以上，相较于垂直+倾斜直方图、DBSCAN和OPTICS的运行效率分别达到12倍、3 473倍和1 528倍以上，平均运行时间仅0.048 s，可高效实现数据去噪。垂直直方图算法去噪结果初步满足在轨处理效率要求(<0.25 s)，本文有望为未来星载光子计数激光雷达数据的在轨去噪提供技术参考。

行道树的准确提取对生态园林城市建设及城市智慧化发展具有重要意义。但车载LiDAR点云数据中经常出现行道树与近邻地物相互遮掩、连接的情况，从而导致无法准确进行行道树提取。针对这一问题，本文提出一种分层动态区域增长行道树提取方法。首先，通过点云栅格化滤除地面点并根据地物投影特征进行行道树初步提取。然后，根据地物分布特征对点云数据进行等高度分层处理，构建层次化点云空间，进一步获取行道树与干扰地物信息。接着，在层次化点云空间内部进行动态区域增长，获取同一层和相邻层之间的点云属性信息，生成点云聚类簇以区分行道树与干扰地物。最后，根据干扰地 物的几何特征和行道树杆状特征，滤除干扰地物实现准确的行道树提取。本文选用激光雷达大会提供的竞赛数据及Open DataLab官网提供的里尔、巴黎两地区街道点云数据进行实验。实验结果表明，本文方法行道树提取的正确率与完整率分别在98.69与97.73之上。本文方法能够在行道树与近邻地物相互遮掩、连接的情况下实现准确完整的行道树提取。同时，本文分层动态区域增长行道树提取方法的数据适用性更强，并且可以在行道树独立性不强的情况下有效提取行道树。

大规模室外点云具有丰富的空间结构，是地理信息获取重要手段之一，由于其本身具有不规则性、复杂几何结构特征及地物尺度变化大等特征，点云分割的准确性依然是一个巨大的挑战。特别是目前大规模点云几何信息及颜色等信息利用不充分等问题，为解决这些问题，本文提出了一种融合颜色信息和多尺度几何特征的点云语义分割方法（Integrating Color Information and Multi-Scale Geometric Features for Point Cloud Semantic Segmentation（CMGF-Net））。该方法中，分别设计了几何特征信息提取和语义特征信息提取模块。在几何特征信息提取模块中，为了充分利用点云数据的几何特征信息，设计了2个特征提取模块，分别是局部邻域的相对位置特征提取模块（RPF）和局部邻域的几何属性提取模块（LGP）。其中，RPF模块利用三维点云的空间法向信息以及相对空间距离，提取邻域点与当前点的相对位置关系； LGP模块利用点云几何属性在不同地物上有独特的表现特性，融合局部区域的几何属性特征；然后通过所设计的几何特征融合模块（LGF）将RPF模块和LGP模块所提取的特征信息进行融合得到融合后的几何特征信息。此外，为了从点云中学习到多尺度的几何特征， CMGF-Net在不同尺度的网络层中都进行了几何特征的提取，最终将所提取的几何特征与基于颜色特征提取的语义特征信息分层进行融合，以提高网络的学习能力。实验结果表明所提出的网络模型在Semantic3D数据集上的平均交并比（mIoU）和平均准确率（OA）达到了78.2%和95.0%，相较于KPConv提高了3.6%和2.1%；在SensatUrban数据集上达到了59.2%和93.7%，由此可见本文所提出的网络模型CMGF-Net在大规模室外场景点云分割具有较好的结果。

随着三维传感器和三维重建技术的发展，跨源点云的配准融合成为了一个研究热点。传统的配准方法使用单一特征作为配准基元，会存在空间几何约束弱的问题。为了高精度融合跨源点云数据，充分表达场景中的立面信息，本文提出一种基于线面特征约束的跨源点云配准方法。通过RANSAC算法提取跨源点云中的同名线、面特征；利用四元数法描述空间变换参数，将线特征作为配准的约束条件，构建空间变换目标函数，估算变换相关参数完成粗配准，解决尺度差异性；在粗配准的基础上将面特征作为约束条件，求解旋转矩阵和平移参数完成精配准。以面特征代替点特征作为配准基元能避免从海量的点云数据中选取公共点，减少由人为选择的偶然误差，避免了误差的积累，进一步提高配准精度。最终使用影像匹配点云与激光雷达点云数据进行实验，结果为：在小区域单建筑、多建筑和大区域建筑群中RMSE值分别为0.364 7、0.032 0和0.614 6，且同名面之间的夹角最大不超过1.5°，最小不到0.1°，夹角角度均值在1°范围内。结果表明本文方法对具有尺度差异的跨源点云具有较好的配准效果。

建筑物屋顶面的准确分割对建筑物模型重建具有重要意义。但是由于建筑物屋顶面的种类繁多、大小差异大、形状复杂等特点，以及机载LiDAR点云数据的密度不均、数据量大等特性，传统分割方法存在欠分割、过分割以及小平面难以准确分割等问题。针对上述问题，本文提出一种基于体素区域增长的机载LiDAR点云建筑物屋顶面分割方法，有效提升了复杂结构建筑物屋顶面的分割精度。首先，对点云数据进行体素化，根据PCA方法估计每个体素的法向量、曲率值。然后实现基于体素区域增长的初始屋顶面分割。该过程选取当前体素空间曲率最小值体素作为初始种子体素，以26邻域为增长方向，根据种子体素与待增长体素间的法向量夹角约束增长。迭代增长过程中根据当前种子体素与增长体素的曲率差绝对值确定待增长种子体素，直到未有新的种子体素出现停止增长。再次选择新的初始种子体素重复该过程，直到完成所有体素的分割。最后通过对初始分割结果中过分割屋顶面进行合并、屋顶面结构完整性修复、复杂建筑物的小平面提取等优化处理得到最终的屋顶面。本文选取ISPRS官网提供的Vaihingen和Toronto 2个地区的机载LiDAR点云数据，分别对其中代表性的单栋建筑物和区域建筑物进行屋顶面分割实验。结果表明，复杂建筑物屋顶面点云分割的完整率、正确率和分割质量结果分别为95.36%~99.58%、94.83%~100%和90.65%~98.28%。本文方法在解决欠分割和过分割问题的基础上，有效地提高了建筑物点云的屋顶面分割的精度。

几何语义一体化三维建筑物模型是智慧城市建设的重要基础数据，有利于促进建筑设施的精细化管理和智能化应用。当前基于点云的三维重建算法大多关注简单屋顶结构的几何模型构建，忽略了模型的语义表达，且基于数据驱动方法的重建结果容易受噪声影响，存在几何和拓扑错误。为了解决复杂屋顶高精度三维重建难题，本文提出一种基于3D基元拟合的复杂屋顶点云三维自动化重建算法。首先，设计了一套可参数化表达的建筑物3D基元库，包含简单和复杂屋顶。其次，通过点云分割和屋顶拓扑图比较来识别点云对应的基元类型。然后，提出了一种点云与3D基元整体拟合的目标优化函数，采用序列二次规划算法估计基元的正确参数。最后，利用城市地理标记语言（City Geography Markup Language, CityGML）构建几何、语义和拓扑一体化表达的三维模型。采用几种不同屋顶风格的建筑物点云数据进行实验，定性和定量对比分析结果表明本文方法能够高效生成几何和拓扑均正确的CityGML模型，对噪声和局部点云缺失具有一定的鲁棒性，有利于促进几何语义一体化建筑物模型快速自动化构建。

城市环境下的车载LiDAR点云在道路边界提取时容易受到路边车辆、行人遮挡等影响，而造成伪边界点的生成和边界线的不连续。本文发现利用高程标准差约束能够有效的处理该类问题。本文首先进行数据预处理，包括点云分段及地面点滤波、基于相邻点间距离将地面点整合成扫描线存储；其次基于扫描线建立连续双窗口，采用扫描线双向移动窗口法，构造双窗口之间高差、夹角值、高程标准差3种约束条件获取候选路坎点，并根据道路边界的连续性采用密度聚类中的DBSCAN算法聚类去噪，生成较为连续且精确的路坎边界点；最后对边界断点区域计算累计曲率值和距离来判断该位置是否为路口，若边界线断点为路口不进行连接，反之，视为车辆或行人遮挡导致的断点，采用二次多项式曲线填补拟合，获得边界的数学参数模型。实验结果表明，在存在较多遮挡的城市环境下道路边界提取精度能够达到80%以上。

图像地理定位是将没有地理位置的图像，通过一系列方法获得对应地理位置，使其与现实地理空间建立关联映射的技术。该技术对进一步挖掘图像信息有着重要的作用，在网络空间测绘、情报获取、用户室外定位、增强现实等方面具有较高的应用价值。尽管计算机视觉领域取得了巨大的进展，但是由于图像地理定位涉及到图像特征提取、大规模数据检索、大规模点云处理、深度学习、地理信息特征提取、几何建模与推理、语义场景理解、基于上下文的推理、多数据融合应用等多个领域，所以对图像的高精度自动地理定位仍是需要进一步解决的难题。本文对图像地理定位研究进展进行了梳理，主要包括图像地理定位方法、图像地理定位数据集、图像地理定位评价方法和图像地理定位总结与展望4个方面。首先按照研究内容相关性将图像地理定位方法分为了图像检索、2D-3D匹配和跨模态检索3类方法，并详细介绍了每一类方法的最新研究进展；其次对图像地理定位研究所用的数据集和评价方法进行了归类与总结；最后分析了图像地理定位的研究现状，并从全球地理定位、自然区域地理定位、多方法融合地理定位、基于POI数据的地理定位和预选位置的精细化定位等方面对图像地理定位的未来研究方向进行了展望。

多光谱LiDAR系统可同时提供目标地物的三维空间和光谱的信息，为地物识别、土地覆盖分类以及场景理解提供了便利。针对目前大规模多光谱LiDAR点云几何信息挖掘不充分与数据处理效率低问题，本文提出一种利用局部点云几何信息增强特征的端到端连续核点卷积网络—特征增强核点卷积网络的机载多光谱LiDAR点云分类方法。该网络是一个编解码结构，网络结构中结合随机采样与最远点采样快速处理大规模多光谱LiDAR点云，保证采样效率的同时减少随机采样导致的关键几何结构信息缺失。为提高多光谱LiDAR点云数据语义信息表达，设计了基于连续可变卷积的增强卷积模块，在聚合局部特征的同时，利用邻近点与中心点的位置关系增强赋予核点的局部特征；最后结合加权标签平滑损失与Lovasz-Softmax损失进一步提升多光谱LiDAR点云分类性能。通过对加拿大Optech 公司的Titan多光谱LiDAR点云数据集的实验表明，本文所提出的特征增强核点卷积网络的综合精度、macro-F₁指数和mIoU值分别为96.80%、88.51%和83.42%，相较于同类型网络在多光谱LiDAR点云分类性能上具有一定优越性；使用格网采样与KD-Tree结合更好地保留原始点云的几何特征；在单批次65 536个点情况下，点云采样时间较同类多光谱LiDAR点云分类网络减少28261.79 ms，实现快速处理海量点云。实验结果证明了特征增强核点卷积网络在多光谱LiDAR点云分类任务上的潜力。

机载LiDAR点云是获取高质量数字高程模型（Digital Elevation Model, DEM）的主要数据源，而地表粗糙度作为DEM的主要派生产品，在地学研究中发挥了重要作用，但点云密度和插值方法对DEM及地表粗糙度精度影响程度并没有明确结论。为此，本文利用不同地形条件下的林区机载LiDAR点云为实验对象，将原始点云随机缩减为不同的采样密度，利用5种常用插值方法（克里金（Ordinary Kriging, OK），径向基函数（Radial Basis Function, RBF），不规则三角网（Triangulated Irregular Network, TIN），自然邻域（Natural Neighbor, NN）和反距离加权（Inverse Distance Weighting, IDW））构建各个测区不同采样密度条件下的DEM，并通过空间特征和统计特征两方面对DEM及其地表粗糙度精度分析。结果表明：① DEM插值算法的精度随点云密度缩减而降低，且数据量缩减至原始数据量的30%后，不同算法精度区别较为明显，其中，RBF和OK精度最优，IDW精度最低；② DEM误差与地表粗糙度存在正相关，随数据密度降低，OK、RBF、IDW所得粗糙度与DEM误差的相关系数均降低，与TIN和NN的相关系数先降低后在30%处升高；③ 从插值生成的DEM中提取地表粗糙度，其误差随数据密度缩减而增大，其中IDW所得粗糙度的精度在密度为90%和70%时最高，而数据密度缩减至50%后，RBF能够更准确地捕捉到地形变化。

目前遥感影像跨视角匹配技术无法直接使用大幅卫星影像进行匹配，难以满足大范围复杂场景匹配的任务需求，且依赖大规模数据集，不具备良好的泛化能力。针对上述问题，本文在质量感知模板匹配方法的基础上结合多尺度特征融合算法，提出一种基于视角转换的跨视角遥感影像匹配方法。该方法首先利用手持摄影设备采集地面多视影像，经密集匹配生成点云数据，利用主成分分析法拟合最佳地平面并进行投影变换，以实现地面侧视视角到空视视角的转换；然后设计了特征融合模块对VGG19网络从遥感影像中提取的低、中、高尺度特征进行融合，以获取遥感影像丰富的空间信息和语义信息；最后利用质量感知模板匹配方法将从视角转换后的地面影像上提取的特征与遥感影像的融合特征进行匹配，获取匹配的软排名结果，并采用非极大值抑制算法从中筛选出高质量的匹配结果。实验结果表明，在不需要大规模数据集的情况下本文方法具有较高的准确性和较强的泛化能力，平均匹配成功率为64.6%，平均中心点偏移量为5.9像素，匹配结果准确完整，可为大场景跨视角影像匹配任务提供一种新的解决方案。

由地表三维空间数据生产的数字高程模型(DEM)的误差包括从数据误差传递来的误差和因数据数量不足以反映地形起伏造成的信息损失误差。本文给出了由三维空间数据的不规则三角网(TIN)模型栅格化为DEM过程中，通过线性插值将数据随机误差传递到DEM栅格上的随机误差的解析解，同时利用地基激光扫描仪测量的冲沟地形数据点云，分析得出因信息损失产生的DEM系统和随机误差的估算方法。结果显示信息损失产生的DEM平均高程系统误差和随机误差都与有效测点密度有关，其中有效测点由TIN中包含DEM栅格中心点的所有三角面的3个顶点组成；信息损失产生的DEM平均高程系统误差和随机误差除与有效测点密度相关外，还与地形特征有关，平均高程系统误差与地形整体凹度参数有关，随机误差与地形整体起伏程度参数有关。建立了分辨率为0.1 m×0.1 m 的DEM误差估算模型。