针对目前增量学习中所面向目标都是固定姿态这一现象，本文考虑了更严格的设定，即面向多姿态目标的在线类增量学习，并提出了无视姿态重放方法来缓解在线类增量学习中面对多姿态目标时的灾难性遗忘。首先，将2D/3D目标进行点云化处理，以方便提取目标的有效几何信息；其次，基于SE(d)(d=2,3)群对网络进行平移旋转等变性改进，使网络能够提取更丰富的几何信息，从而降低模型在每个任务中受目标姿态的影响；最后，根据损失变化采样特定样本用于重放来缓解灾难性遗忘。实验结果表明，在面对固定姿态目标MNIST、CIFAR-10时，本文方法的最终平均精度分别达到了88%和42.6%，与对比方法结果相近，但最终平均遗忘率明显优于对比方法，分别降低了约3%和15%。在面对多姿态目标RotMNIST、trCIFAR-10时，本文方法依旧能很好地保持在固定姿态目标中的表现，基本不受目标姿态的影响。此外，在3D数据集ModelNet40中的表现也依旧稳定。本文所提方法在在线类增量学习中能够不受目标姿态的影响，同时能缓解灾难性遗忘，具有很好的稳定性和可塑性。

对比仅包含多光谱信息、仅可实现二维土地覆盖分类的传统光学遥感数据，机载多光谱激光雷达(multispectral light detection and ranging，MS-LiDAR)的优势在于同时包含多光谱和空间信息、可实现三维土地覆盖分类，但现有的机载MS-LiDAR数据的土地覆盖分类研究所需特征维度过高、算法复杂度高。因此，提出了一种整合空间相关性和归一化差分比率指数(Normalized Difference Ratio Index，NDRI)特征的逐步分类算法。该算法首先融合机载MS-LiDAR数据的多波段独立点云，获取兼具空间位置及其多光谱信息的单一点云数据；然后利用空间邻域增长下的地面滤波算法分离地面和非地面点；接着基于不同目标的激光反射特性差异设计将草地(树木)自地面(非地面)中分离的NDRI指数，并利用类间方差最大原则下的自适应最优NDRI指数实现地面和非地面点的精细分类；最后利用3D多数投票法优化分类结果。采用加拿大Optech Titan实测MS-LiDAR数据测试提出算法的有效性及可行性，实验结果表明：算法的平均总体精度和Kappa系数分别可达90.17%和0.861，可有效实现城区MS-LiDAR数据的三维土地覆盖分类；分步处理的方式更有利于针对具体的分离目标的特点设计简单且有效的规则，算法设计更简单、复杂度低；NDRI可为其他机器学习算法的显著性特征的设计和选择提供理论支撑。

针对现有陶制文物表征学习方法是基于大量带标签数据的有监督学习方法，人工标记费时耗力且不能有效地学习到点云内在结构信息等问题，本文提出一种基于局部-整体双向推理的无监督表征学习方法。首先，提出多尺度壳卷积层级结构编码器提取不同尺度的文物碎片局部特征。其次，利用局部到整体推理模块将提取的局部特征映射得到全局特征，通过度量学习衡量两者之间差异，进行反复学习。然后，利用整体到局部推理模块以确保获取到的全局特征的质量。最后，在不同层次的局部结构和整体形状之间通过双向推理来学习文物点云表征，并将学习到的点云表征应用于分类下游任务。该网络模型在兵马俑数据集和ModelNet40公开数据集上的分类精度分别达到了93.33%和92.02%，分别高于PointNet 4.4%和2.82%。同时缩小了下游分类任务中无监督和有监督学习方法之间的差距。