道路高精度移动激光雷达测量系统采集的点云是高精度地图、自动驾驶、数字孪生等领域的数字基础设施。移动激光雷达测量系统在高速行驶下采集的道路场景点云并不像室内点云数据那样密集均匀,道路点云数据在高速扫描过程中存在大量缺失和噪声。激光雷达扫描数据时,远疏近密,不同速度下的数据采集工作,造成了不同路段的点云数据的均匀程度也不相同。移动激光雷达测量系统可以快速获取周围地物的点云数据,但是获取的点云数据量庞大,人工处理移动激光雷达测量系统点云数据所需的时间长,如何解决点云大量道路场景不均匀稀疏点云自动分割的问题,成为现在研究的热点。随着技术方法的进步,卷积神经网络（CNN）在二维目标识别方面的大放异彩,更多的研究人员开始将深度学习拓展到三维方面。受到端到端的点云深度学习网络的启发,针对移动激光雷达系统测量（MLS）的不均匀稀疏点云现有深度学习网络语义分割精度低的问题,本文提出一个新的端到端利用移动激光雷达测量系统道路点云数据的深度学习网络。为了解决深度学习网络在稀疏不均匀的道路点云分割精度低的问题,提出了一个自适应变化采样半径的模块。计算采样中心点与选中所有点的欧氏距离,所有大于r~2的点,赋值为N,对在采样半径中的所有点做升序排列,在剩下的点中取出n个点作为采样点,考虑到n个点中也有可能有含有N值的点,判断采样点中是否有含有N值的点,如果有则扩大球采样半径,再次判断球采样中的点是否满足条件,不满足则再次扩大半径直到满足n个数的条件,保证中有足够的点进行学习特征,增强采样点的高维度特征。为了提升深度学习网络进行语义分割任务时的效率,减少训练和测试的时间,在深度学习网络模型中融入了适用于移动激光雷达测量系统点云数据的通道注意力机制。在获取到各点的高维特征后,关注每个特征通道上的信息对整个点云信息的影响,通过获取特征,各通道上信息之间的关联实现点云数据通道注意力机制,突出各点特征中更加关键的通道上的信息。为了训练和测试本文提出的深度学习网络,构建了一个基于自主研制的移动激光雷达系统的深度学习道路点云数据集。从不同的道路场景中选取合适的路段的点云数据作为深度学习模型的训练数据集。基于自主研制的移动激光雷达系统,移动激光雷达测量系统道路数据集的点云数据以北京城市周边道路数据为基础,包括大兴机场线,京台高速,京开高速及北京环线等道路。最后,进行道路点云语义分割训练与测试,本方法对移动激光雷达测量系统道路点云分割的整体准确率为98.08%,总体m IOU为0.73,对道路、护栏、指示牌、路灯和车道线的m IOU分别为0.99,0.983,0.99,0.66,0.51。实验结果表明,本研究针对不均匀稀疏的移动激光雷达系统道路点云,可以实现较为准确的分割,与现有方法相比,语义分割精度有显著提升。