近年来,新型的测量手段诸如激光雷达的出现促进了测绘与地理信息科学的发展。其中,高精度导航地图作为智能交通系统、无人驾驶系统的重要组成部分,不断朝着高精度、动态更新的方向发展。交通标识作为一种重要的交通基础设施,其承载的道路交通信息是高精度导航地图必须包含的重要内容,受到了大量研究者的关注。区别与传统的导航地图对交通标识信息的需求,高精度导航地图不仅需要更精确地三维空间位置信息,还需要其承载的语义信息。因此,交通标识的精细化提取及其语义化的研究有极其重要的实际意义与研究价值。在总结并分析了前人研究成果的基础之上,本文提出一种融合点云与影像的交通标识语义化方法。首先,使用目前效果最好的基于卷积神经网络的方法在影像中进行交通标识初步的检测与定位,并通过影像中丰富的颜色与形状信息,获取交通标识的语义信息。并将影像与激光点云进行配准,指导在激光点云中完成的交通标识检测与精确定位。然后,采用一种结合强度信息与维数特征的方法,通过交通标识的结构特性以及标牌的高反特性完成精确的检测与定位。其创新性在于:结合影像与激光点云数据的优势,同时获取道路交通标识精确的三维空间位置信息与其所表达的语义信息,弥补了单一数据源无法满足精细化提取与语义化的缺陷。本文的主要工作包括如下方面:1、对以影像为基础的卷积神经网络在交通标识的检测与识别中的应用进行了深入研究,使用卷积神经网络进行交通标识的检测,并构造了一种用于交通标识识别的两级结构的卷积神经网络,完成了交通标识的分类,可得到其表达的语义信息。2、提出一种基于强度滤波和维数特征分割的交通标识点云提取方法。完成了激光点云与影像的配准,并利用影像中初步检测出的交通标识位置映射到三维空间中指导点云提取。利用强度信息滤波得到,接着对空间点群的维数特征进行分析计算,并使用区域生长算法完成了空间聚类。根据实际场景中道路两旁的目标的维数特征上的差异进行交通标识点云的分割。最后,将基于强度滤波的粗检测方法与基于维数特征的点云分割结合得到了最终的交通标识点云提取结果。