针对露天矿无人矿卡运输作业中路况差、光照强和灰尘大等原因导致小尺寸落石检测困难和实时性差的问题，提出一种使用固态激光雷达检测露天矿非结构化运输道路小尺寸落石的方法。首先使用具有双回波技术的激光雷达进行数据采集，减少灰尘干扰并提取车辆前方可行驶区域；然后采用基于扇面的直线拟合地面分割算法分割地面，实现对有坡度的非结构化粗糙路面的彻底分割；之后引入八叉树的分层网格树模型进行邻域查找，提高邻域查找的速度，引入双色最近对构建图，快速生成聚类簇，引入自适应聚类半径ε，进行聚类并输出小尺寸落石的盒模型。实验结果表明：相较于使用k-d树加速的DBSCAN算法，所提方法的正检率提升9.61个百分点，检测时间缩短379.77 ms。

基于线特征匹配的模拟预拼装是一种桥梁钢结构构件预拼装方法，采用连接处线特征匹配进行拼接，重叠度不高且未考虑线形精度。为此，提出了一种设计数据辅助的改进方法，其先利用缩小包围盒法与切片法分别提取构件的连接处线特征与线形特征，同时结合设计数据恢复得到的线形特征，按照对应关系融合为目标特征与源特征；再基于点特征直方图和迭代最近点法分别完成粗匹配和精配准；最后利用配准结果完成构件拼接。基于仿真数据，对比角点匹配、线特征匹配、设计数据辅助等3种方法的精度，实验结果表明：设计数据辅助法能有效提高线形精度。分别使用线特征匹配法与设计数据辅助法检测上海市南横引河桥钢结构构件的加工质量，检测结果表明：所提方法具有实用性且能有效提高线形精度。

公路撒落物是影响行车安全、造成交通堵塞的重要因素，及时检测并清理公路撒落物十分重要。通过总结分析撒落物的特点，利用点云处理定位精度高和图像处理分类精度高的特点，提出一种基于图像与点云融合的公路撒落物检测算法。所提算法包括路面目标提取、点云与图像信息融合和撒落物目标分类等3个步骤。首先，通过激光雷达点云进行道路边缘检测、地面点云滤波和点云聚类，提取路面上的目标点云团簇；然后，将目标点云团簇投影到时间与空间对齐的视觉图像中，获取对应的图像感兴趣区域；最后，使用优化后的ResNet-50进行目标分类。所提算法的平均检测精确率为94.84%，召回率为91.92%，具有良好的检测效果。

为了解决基于机载激光雷达(LiDAR)点云提取道路时多重特征阈值设定难、普适性低的问题, 采用了随机森林分类模型提取道路点云进而获得道路中心线的方法。首先使用渐进加密三角网滤波获取地面点云, 根据山区道路特性, 计算地面点云各点在邻域范围的坡度、粗糙度、高差方差、点密度及反射强度, 组成点的分类特征; 随后手动采集正负样本训练点云随机森林分类模型, 将地面点云通过模型分类得到初始道路点云; 再通过基于密度的噪声应用空间聚类算法去除噪声点精化道路点云; 最后矢量化道路点云获取道路中心线。结果表明, 以Entiat River地区山区LiDAR点云数据进行实验验证, 道路点云提取的正确率达到95.29%, 完整率达到92.96%, 提取质量达到88.88%。该方法能解决多重阈值难以确定的问题, 能较高精度地提取到山区道路点云, 进而获取有效道路中心线, 对山区道路信息的研究有一定的参考价值。

机载LiDAR点云地物丰富且密度不均匀，对其进行精准高效的分类是遥感和摄影测量领域的一项关键任务。针对其密度不均匀的特点，引入一种密度相关的点云卷积算子——PointConv；提出注意力机制模块，修正提取局部信息的重要程度，增强网络对不同点云实例的识别能力。在城市室外场景机载点云数据集GML_DataSetA和三维语义标记基准数据集ISPRS Vaihingen上的分类结果验证了所提方法的有效性。

针对地面激光扫描点云和航摄影像密集匹配点云融合存在质量退化与分层的问题，本文提出了一种基于图割算法和引导点云滤波算法的异源点云融合方法。该方法首先利用一种结合几何和颜色信息的图割算法分割密集匹配点云，然后利用分割后的密集匹配点云填补激光点云的孔洞和遮挡区域，接着采用以表面曲率加权的引导点云滤波算法消除混合边界处的缝隙并纠正混合点云中的平面错层。实验结果证明，所提方法对比现有方法有明显的性能提升，融合后的精度和完整性分别提升了5.42%和2.94%，能够较好地支撑激光点云与密集匹配点云的高质量融合。

基于多源遥感数据的城市树木提取方法对城市资源调查、健康状况评价及科学化管理具有重要意义。为了进一步提升树木提取精度，结合了激光雷达数据和正射影像数据的优势，提出了一种基于特征自动分割的树木提取算法。该算法对阴影区域进行识别提取，结合直方图减法思想，利用归一化差异植被指数（NDVI）和数字表面模型（DSM）局部熵特征之间的相互关系降低背景提取阈值。最后应用ISPRS Vaihingen数据集对所提算法进行验证，实验结果表明，所提算法在多组数据上具有较高的树木提取精度，具有一定的鲁棒性，适用于复杂环境场合。

针对现有的深度学习机载激光雷达(LiDAR)点云分割方法忽略高级全局单点和低级局部几何特征之间的关系导致点云分割精度不高的问题,提出了一种增强语义信息与多通道特征融合的点云场景分割算法。首先对点云信息进行补充,提取点云的归一化高程、强度值、光谱信息构造多通道点云特征,并利用网格化重采样方法建立多尺度邻域点云增强数据集,通过构建双注意力融合层实现通道维度上的特征加权标定和空间维度上的特征聚焦,加深卷积网络结构深层信息传递,挖掘点云的局部区域细粒度特征。采用国际摄影测量与遥感协会提供的数据集对所提算法进行验证,对比分析了所提算法、协会网站已公布的分类结果、主流的深度学习方法的精度值分类总体精度(OA)、综合评价指标(F1)、交并比。实验结果表明,所提算法能够达到更高的分割精度,在Vaihingen数据集上的平均交并比达到52.5%。