随着车载移动激光扫描技术的飞速发展，获取大场景、高密度、高精度的点云数据变得越来越便利。相比于由传统的光学传感器获取的二维图像数据，由激光雷达扫描仪获取的三维点云数据包含了调查场景内目标表面的丰富三维信息。激光扫描仪属于主动式传感器，使得点云数据的采集过程不易受光照、天气等环境因素的影响，实用性强。大规模的点云数据可以更详细地描述复杂现实场景的结构和形状，但同时因为点云数据量大，密度不均匀，结构不规则，在实际应用中往往需要耗费大量的计算资源，也给现今的计算机技术和相关运算设备带来了巨大的挑战。如何高效地处理这些大规模的点云数据，是目前加速推广移动激光扫描技术应用需要迫切解决的关键技术问题。　　本论文依托国家自然科学基金的资助项目，开展了大规模点云数据处理关键技术的理论与实验研究，论文完成的主要工作和创新点如下:　　本文围绕点云的线结构展开研究。作为人造场景中最普遍的结构之一，直线可以提供重要的几何信息和拓扑结构;同时，直线的存储结构相当简单，每条直线只需要存储两个端点的坐标信息。因此，采用线结构来描述大规模点云，可以在不损失点云主要表征信息的同时有效地降低数据规模。　　首先，针对现有的大规模点云线结构提取算法的不足，本文提出了两种新颖的线结构提取算法:基于多视角的和基于超体素的线结构提取算法。这两个算法都可以快速有效地从大规模点云数据中提取出可靠线结构。　　其次，为了进一步验证线结构的描述能力，本文提出了一种基于线结构描述的点云配准框架。由于配准算法完全在线结构描述上进行，因而大幅度提高了配准效率。同时，线结构提供了点云的边界信息，这也使得本文的配准算法比传统的点云配准算法更加精确。另外，实验结果还进一步证明了本文线结构描述的准确性和完整性。　　最后，在线结构描述的基础上，本文提出了一种二维图像到三维点云的跨维度匹配框架。已有的二维到三维的匹配工作往往需要已知一些前提条件，或者将三维模型投影成二维图像，将跨维度匹配问题简化为二维图像间的匹配问题。然而，这一方法需要枚举视角点并在预处理过程中保存大量的投影图像，从而耗费大量的计算机资源。而本文的工作则从线结构出发，通过提取二维图像和三维点云中的基元结构实现跨维度的直接映射，显著地减少了跨维度匹配工作所需要的数据存储量和运行时间，为大规模点云在增强现实中的应用打下了基础。　　综上所述，在线结构提取方面，本文提出了一种基于多视角的提取算法和一种基于超体素的提取算法;在线结构应用方面，提出了基于线结构的三维点云的配准框架和一种二维图像到三维点云的跨维度匹配框架。本博士课题的研究是为大规模点云的结构描述提供了新的解决方案，同时也丰富了大规模点云的相关应用，在智慧城市和增强现实等领域都具有重要的学术和商业价值。