激光扫描系统作为一种实时主动式的设备,能够全天时、全天候地获取范围大、精度高的地物三维点云数据,并已被广泛应用于电力巡线、灾害防控、无人驾驶、智慧城市建设等领域。点云数据的语义标注是处理激光数据应用中一项基本的任务。为减少实际生产中所耗费的人力物力,国内外学者已对激光点云数据的自动分类方法进行了较为深入的研究。深度学习算法因其能够从低维特征学习数据的高维表示脱颖而出,在点云数据语义分割领域取得了优异的表现。影响深度学习分类精度一大因素是训练样本数据的质量。室外场景点云数据因数据量大、地形起伏以及地物分布复杂等问题,使用深度学习对其进行处理需要海量的训练数据。在此背景下,为了减少训练样本生成中所耗费的资源,本文结合二维地形图与深度学习,提出了一种解决方案。首先对基于二维地形图的激光点云类别划分方法以及基于深度学习的激光点云分类方法进行研究,然后将两者研究思想结合,在解决仅使用二维地形图难以处理的分类问题的同时,自动生成满足深度学习需求的高质量训练样本,主要研究内容如下:（1）二维地形图数据蕴含了丰富的地理位置以及语义类别信息,这些信息将大大提升激光点云数据分类的精度以及效率。针对这一特点,本文提出了一种基于二维地形图的点云数据类别划分方法。首先利用非监督滤波,将点云数据粗分类为地面点、略高于地面点以及高于地面点三类。根据这些粗分类标签,选择二维地形图中对应的多边形元素数据进行配准,赋予类别标签。这样做将大大减少三维数据与二维数据配准所导致的混分现象。对于使用多边形元素所不能处理的点云数据,利用非监督分割的方式使其变为具有语义一致性的分割块。对于这些分割块,使用二维地形图中的点元素,采用迭代的方式进行配准,赋予类别标签。最后使用基于规则的修正手段,完成部分剩余未分类点云数据的处理。本文提出的算法在包含约三千万点云的鹿特丹数据集上完成了测试。无需特征提取与训练步骤,在以二维地形图为基准的精度评价体系中,取得了整体精度90%左右的成绩。（2）分类工作是激光点云数据处理中的一项基本任务。复杂的数据获取场景以及不规则的点云数据分布,使得这项任务充满挑战。为了减少基于点的分类方式的运算负担,同时提升分类算法的整体精度,本文提出了基于分割以及多尺度卷积神经网络的激光点云分类方法。首先通过特征图生成方法将点云数据的三维邻域转变为一张二维特征图。接着利用提出的分步式区域增长算法,削弱过分割以及欠分割问题。最后将生成的特征图作为输入完成多尺度卷积神经网络的训练以及测试工作。为了与现有算法进行比较,使用了国际摄影测量与遥感协会工作组II/4的开源三维语义标注数据集对本文框架流程进行评估。实验结果显示,本文方法取得了整体分类精度84.9%,平均F1值69.2%的成绩,在所有参与者中表现优异。（3）训练样本在监督分类算法中起到十分重要的作用。实际生产中大部分训练样本采用人工分类的方式生成,将花费大量的资源。结合前两个研究内容的思路,为了减少激光点云数据标注的人工消耗,本文提出了一种利用二维地形图数据与深度学习的训练样本自动生成方法。首先将激光点云数据通过DEM滤波分为地面点与非地面点两类,接着使用二维地形图数据中的多边形元素,通过配准的方式生成粗训练样本。非监督分割算法被引入,以减少粗训练样本中的噪声问题同时提升精度。最后通过图卷积神经网络,对样本数据进行进一步纯化,解决仅使用二维地形图数据难以处理的点云分类问题。通过与基于点的分类方法Pointnet++（平均F1值59.4%）比较,本文提出的基于分割的策略（平均F1值65.6%）提升了粗训练样本的分类表现。在非监督分割步骤中引入强度特征后,本文自动生成的训练样本在测试区域分类精度测评中取得了平均F1值74.8%的好成绩,与此同时使用人工标注的真值训练样本平均F1值为75.1%。实验结果显示本文提出的算法能够成功的在低人工成本以及时间消耗的前提下,自动生成满足实际生产需求的激光点云训练样本数据。