借鉴于多光谱遥感物性探测的能力,机载多光谱LiDAR系统同时发射多个波段的激光脉冲,以扫描方式采集的点云数据兼具地表的空间信息和多波段反射强度信息。相比于传统单波段LiDAR系统,机载多光谱LiDAR系统可以提供更丰富的地物属性信息,显著提高了复杂地表的识别和分类能力,为土地覆盖分类、地物识别等提供了新数据源。然而,一方面,针对不规则、无结构的多光谱LiDAR点云,传统基于栅格化特征图像的方法依赖手工特征和固定的机器学习算法,不仅限制了深层特征的提取程度,而且由于格式转换带来了严重的结构缺失;另一方面,基于深度学习的方法大多基于处理规则数据的卷积操作修改,算法未能完全满足点云无序、离散的特性。目前直接作用于多光谱LiDAR点云的分类方法还没有得到充分的研究。因此,本研究通过探索点云局部和全局的代表性特征,提出了一种基于特征推理的图卷积网络FR-GCNet,直接将点云输入并返回所有点的语义标签,实现了机载多光谱LiDAR点云分类任务。研究的主要工作如下:（1）针对机载多光谱LiDAR技术多波段激光探测的特点进行数据预处理,通过数据融合、数据标注、样本生成获取具有完整、丰富语义信息的多光谱LiDAR训练样本和测试样本,为分类网络提供高质量的信息输入。（2）构建了用于机载多光谱LiDAR点云分类的FR-GCNet网络。该网络以学习点云固有拓扑结构的图卷积神经网络为基础框架,并引入特征推理模块,实现了机载多光谱LiDAR点云分类。该模块通过局部推理单元动态学习邻域图中带有相关性信息的多尺度局部特征;通过全局推理单元从原始所有点之间固有的空间分布中挖掘全局上下文特征,从而提高网络提取抽象特征的能力和点云分类性能。（3）以Optech Titan机载多光谱LiDAR系统采集的两个不同地区、不同场景、不同类别的点云为实验对象,实现基于FR-GCNet的多光谱LiDAR点云分类,分析数据特征、样本尺度、采样策略等因素对机载多光谱LiDAR点云分类精度的影响,验证多光谱LiDAR系统在点云分类中的优势。此外,对比实验证明,本文提出的FR-GCNet具有处理非结构化点云和提取具有区分性关键特征的优势,在机载多光谱LiDAR点云上实现了良好的适用性和分类性能。