不同地形条件下，不同的特征组合、特征维数对点云的分类效率及分类结果有不同的影响。提出了一种机载LiDAR点云分类的自适应特征选择方法，该方法依据地形起伏情况对整体点云数据进行区域划分，自适应选择适宜该区域LiDAR点云分类的特征集合。为了验证这种特征选择方法的有效性，利用优选后的特征集合，分别采用随机森林和支持向量机算法进行分类实验验证，实验结果表明，在不同地形条件的区域里，适合LiDAR点云分类的特征集合不同。该方法可以有效地降低特征维数，缩短运算时间，且分类精度较高。

针对小光斑全波形机载激光雷达波形数据中叠加波难以解析和实测波形数据通常表现出展宽或尖峰形态的问题，提出一种基于小波变换与广义高斯模型的组合法(WT-GGM)来分解机载激光雷达波形数据。小波变换方法具有多分辨率分析的特性，在非平稳信号、微弱信号、瞬态信号及奇异信号的检测中显示出独特的优越性。广义高斯模型作为波形分量建模模型，通过调整其形状参数能有效地处理展宽或尖峰形态的波形分量。为了验证算法的有效性，分别对实验数据使用WT-GGM 算法、商业软件常用的COG 算法、GIPM 算法和RGD 算法进行分析，对比结果表明小波变换可以有效地从叠加波中检测出目标，WT-GGM 算法分解出的目标数与GIPM 算法和RGD 算法结果基本相同，是COG 算法的2 倍。

针对转扫式光谱成像系统在数据采集过程中, 由于转台转速过快造成校正后的影像存在有数据漏洞, 以及获取的原始影像数据存在有严重几何形变, 影响影像上地物信息的分类与识别等问题, 介绍了转扫式光谱成像系统的组成并给出数据采集一般过程, 根据数据采集时单帧影像的覆盖范围和系统采集影像的速率等信息, 在数据采集时对转台速度进行控制;结合影像获取时的起始与终止角度以及传感器距离前视点的距离等信息, 详细推导了转扫式光谱成像空间定位模型, 并对定位后影像进行格网划分和光谱重采样, 给出了影像畸变校正的一般流程;鉴于影像空间定位后相邻帧间影像空间分辨率不一致, 同时为保证获取最大的影像分辨率, 采用最小空间采样间隔作为坐标定位后影像格网划分单元;考虑到新生成均匀格网与不均匀格网叠加进行光谱取值时, 采用直接光谱采样可能造成的光谱混叠失真问题, 提出了基于位置分布的光谱精确采样方法, 以张家界老司城获取的高光谱影像数据为例进行畸变的校正, 校正后影像上地物保持了原有的几何特征, 验证了算法的正确性, 同时抽取不同地物点的光谱数据进行相关系数计算, 结果表明改进的光谱采样算法优于直接光谱采样, 为同类产品的地面应用提供参考。

视准轴角度误差直接影响移动激光成像系统(MMS)的点云精度，尤其是在多路线、多角度下扫描同一区域时，不理想的视准轴误差估计会造成重叠区域无法无缝拼合。针对上述问题，提出了一种基于平面特征的地面移动激光成像系统的视准轴误差自标定方法，给出移动激光成像系统的点云生成模型，依据三维场景中的平面特征，建立Gauss-Helmert平差模型，依据最小二乘法，推导出计算视准轴误差的法方程。实验结果表明,提出的方法不需要特殊的定标场，只需在数据采集过程中以不同方位扫描同一平面特征就可以计算出视准轴误差，且计算结果可靠有效。

针对小光斑全波形机载激光雷达(LiDAR)波形数据高斯分解法的核心问题——高斯分量个数估计，提出一种高斯拐点匹配法。该算法用平面曲线离散点集拐点的快速查找算法检测波形数据中的拐点，计算过检测出的拐点及其右边第一个点的直线的斜率，根据斜率将所有检测出的拐点分为左、右拐点，一个左拐点与其邻近的一个右拐点组成一个高斯分量，据此可以确定波形数据中高斯分量个数。采用高斯拐点匹配法对模拟和实测波形数据进行分解，并与传统的脉冲检测方法(重心法和高斯脉冲拟合法)相比。结果表明，高斯拐点匹配法方法能极大地减小伪拐点的影响，快速、准确地检测并分解出波形数据中高斯分量，提高波形数据分解速度。同时其能分解出更多的高斯分量，从而提高点云密度。