地球表面各种地理现象或过程中垂直分布信息对于再现客观事物、探索地表规律的有着不可替代的重要作用。机载激光雷达(LiDAR)是20世纪末才发展起来的一种直接探测地表三维信息的新型遥感测量技术。与传统航空摄影测量技术相比具有精度高、高度信息显式表达的特点。随着LiDAR硬件技术的发展，研究人员已经不再满足仅仅从LiDAR数据中提取高度，而希望获得更多地面结构、性质等方面的信息；实际上，也正是LiDAR点云密度和地面反射强度接受精度的提高使LiDAR也具备了这样的工作能力。基于这样一个背景，论文将综合利用这些信息来进行地面特征的识别和地物分类的问题作为了研究的主要方向。　　 LiDAR(Light Detection And Ranging)是一种主动光学遥感系统，它采用近红外波段激光测量目标和传感器之间的距离。LiDAR数据是一种不规则的高密度离散点结构，地表特征信息特别是那些受高度控制的要素可以利用LiDAR点云(point cloud)的空间分布推求出来。因此LiDAR是一种地面非高度信息隐含表达的数据。这种有别于传统遥感数据特征的结构，使得利用LiDAR数据进行地面非高度的特征提取工作遇到了很大的困难，如提取土地利用、地物轮廓、地物类型等信息。为实现这些目标，需要根据LiDAR数据特点、工作目标设计出更为有效的算法与工作方式。　　 作为研究的一个新的领域，LiDAR地面特征提取与地物分类已经逐渐引起了学术界的重视。本文第一、二章中，首先回顾了LiDAR技术系统地发展历史，详细了分析了当前国内外LiDAR数据处理与特征提取的研究现状。提出了应用人工智能技术进行LiDAR点云隐含信息挖掘和提取的思路，并分析了这种工作方向可能遇到的问题与可行的对策：1 LiDAR最初是为快速地形测量而设计的技术系统，而并非对地观测系统。尽管LiDAR技术有很快的发展，但对地面特征提取与分类而言，LiDAR数据仍然是一个不完整证据系统，存在大量的不确定性。但我们可以通过LiDAR数据中的其它信息如：反射强度、点云密度、多次回波信号来尽量消除这种不确定性，提高分类精度；2基于斜率阈值的点云分割技术尽管能较好的精确分割点云，但这种方法并不适合复杂地面环境条件下的地物识别、分类工作。使用高度纹理等更加模糊的测度以及引入人工智能方法开展识别和分类的工作，能更好的适应复杂地面环境和隐含信息的特征。　　 随后的工作也是围绕着这两个方面展开。第三章的研究内容集中在数据处理技术方面。改进了斜率阈值分割点云技术，并以滨岸湿地的地面环境为背景，讨论了引入地面约束条件的分类方案；提出了综合应用激光反射强度、点云密度信息以及多重迭代的方法提高微地貌DEM的建模精度的工作方法。第四章讨论了将分割后的矢量点云转换为高度图像，并进行高度纹理提取的方法。由于传统的方法在保留原始点云内部结构信息的效率有限，影响到随后的地物提取和分类工作。在这一部分中，提出了基于兴趣算子的高度图像转换方法，最大限度的保留测点间的斜率信息，并可以用来作为信息转换效率的一个测度；随后讨论了高度图像的灰度共生矩阵纹理的性质，并提出了地面粗糙度这个新的高度纹理。第五章、第六章分别使用了人工智能技术中的神经网络和支持向量机队这些纹理特征进行了分类。分别建立了BP网络、全间隔支持向量机用于LiDAR地物分类的工作框架并进行了实验。实验结果表明，引入一部分地面先验知识，并通过合理的数据处理技术和工作流程，单独使用LiDAR数据也能实现地物识别和分类的任务；BP网络在LiDAR分类工作中具有较好的模式识别能力，但其推广能力较差，受工作人员经验的影响较大；通过增加剩余变量将标准支持向量机改进为全间隔计算的TM-SVM有着更好的几何意义和推广能力，在LiDAR地物分类任务上，其工作效率和分类精度均高于BP网络和标准支持向量机。　　 本文在第七章对全文的工作进行了总结：利用LiDAR高度纹理进行地物识别比直接利用离散点云提取高程变异信息更加有效；而且高程纹理所反映的地面对象特征也比离散点云的高度分布特征更为深刻和易于理解。在LiDAR地面覆盖物分类的工作中，智能计算方法更能够适应高度纹理的特征识别任务，并获得较高的分类精度。实验中，TM-SVM的分类精度要高于C-SVM和BP-ANN分类器。本文所作的一些初步的工作尽管取得了一些效果，但是也注意到在一个新的领域中开展的研究，留下的问题和存在的不足还非常多，主要包括：需要较多的地面先验知识、自动化程度不高、与其他遥感数据分类相比精度仍然偏低等。在复杂环境或用户对地面高度变化的经验不足的情况下，依赖人工经验可能会引起较大的误差。引入其它智能分类方法并发展基于对象的LiDAR高度纹理识别技术有克服上述问题的潜力，这也是下一步研究的方向。