现代移动激光扫描系统通过将激光扫描仪、定位定向系统以及光学相机系统的有效结合,可实现大范围、高精度、带有全球定位信息的高分辨率三维点云数据的快速获取,同时还能获取对应场景的多视角光学图片数据。相比于低分辨率三维点云数据,高分辨率三维点云数据可以提供更能反映真实场景的精细三维几何形状与结构信息。近年来,针对高分辨率激光扫描点云数据的相关研究受到国内外研究机构的关注。场景语义标注的目的是对场景中每个数据基元赋予一个具有语义的类别标签,标注的结果中蕴含了对场景中物体的识别与分割。高效、自动化的场景语义标注是信息提取的重要形式,也是城市规划、自动驾驶、地图导航、数字城市等领域应用的重要需求。本文针对高分辨率激光扫描点云数据的语义标注这一关键科学问题开展研究,围绕着数据量庞大、训练样本难获取、场景复杂性高等挑战,展开了以下三个方面的研究:首先,针对高分辨率激光扫描点云场景中数据量庞大以及点云场景的复杂性,提出了基于点云块匹配图的三维点云语义标注方法。通过多特征描述的聚类建立局部点云的匹配图,用于初级分类标识,缓解了不同对象类别的局部点云块的相似性带来的类间混淆,进而提出了多种跨场景的语义标签启发式传递策略,并结合上下文一致性约束得到鲁棒、高效的复杂点云场景的语义标注。其次,针对三维场景中语义标注训练样本集难以获取的问题,提出了基于主动学习方法的点云标注方法,显著减少了手工标注训练样本的数量。针对由于类别不平衡、局部相似性等原因导致的有偏采样问题,提出引入利用邻域一致性先验进行无偏采样构建极小训练样本集。针对使用过多类别进行区域描述所导致的点云误标记问题,提出利用高阶马尔可夫模型约束过多类别数量,以提高语义标注的准确率。最后,针对已有二维图片数据库的标注结果有效利用的问题,提出了一种跨维度标签传递的点云语义标注方法。设计了多视角图片和三维点云的一致性约束概率图模型,来描述不同数据源之间的数据差异性。通过卷积神经网络实现多视图目标检测,并利用三维几何一致性约束、二维纹理一致性约束以及多视角图片对三维点云的空间一致性约束,提高自动标注的准确率。以上的方法在大范围的高分辨率激光扫描实际数据上进行了定性与定量分析,实验结果表明本文所提出的算法能够有效地语义标注高分辨率激光扫描点云数据。与其他相关方法进行对比与分析的结果表明了本章所提出算法在复杂高分辨率点云场景中进行语义标注的优越性。本博士课题的研究成果有助于推动高分辨率激光扫描点云语义标注的研究。