道路标识在道路交通安全中发挥着关键的作用,并且是引导自动驾驶(autonomous vehicles,AVs)的重要因素之一。具有准确道路标识信息的高精度地图(high-definition maps)对包括道路维护、提高导航能力以及预测自动驾驶中即将发生的道路情况等都非常有用。本文提出了一个用于三维点云数据的道路标识提取、分类与补全的深度学习框架。现有点云数据标识提取算法,大多基于反射强度阈值分割,而本文提出的方法对数据本身更加不敏感。此外,通过增加标识补全的步骤进一步优化标识线的最终结果。在道路标识提取阶段,本文将改进的U-net网络用于分割道路标识,该方法克服了强度变化、低对比度等问题。在道路标识分类阶段,本文提出将多尺度聚类和卷积神经网络相结合,对不同尺度的道路标识进行分类。在道路标识补全阶段,本文基于生成对抗网络(Generative Adversarial Network,GAN)和上下文规则的方法进行小尺度道路标识以及车道线标识的补全。此外,本文构建了一个点云道路标识数据集,用于训练和评估相关算法。该数据集由高速和城区道路移动激光扫描数据、室内车库自组装背负式激光扫描系统数据组成。通过对不同场景数据的验证实验,证明了本文提出的框架在三维点云道路标识提取、分类与补全任务上具有显著效果。