针对面向地物分类的LiDAR与高光谱联合特征构造中存在的特征维数过高问题,提出了一种XGBoost与皮尔逊相关系数相结合的特征选择方法 XGB-PCCS (Extreme Gradient Boosting-Pearson Correlation Coefficient Selection)。本文首先对完全匹配的LiDAR点云和高光谱影像构造并提取了46种特征。然后设计了一种新的特征选择算法XGB-PCCS,综合考虑特征向量相关关系的方向及密切程度,从而选择特征;同时也设计了XGBoost与序列后向选择相结合的多模态特征选择方法 XGB-SBS (Extreme Gradient Boosting-Sequential Backward Selection)与之对比。最后采用真实数据对比验证本文设计的两种算法,实验表明两种算法均可在保证分类结果准确率的基础上,有效地大幅削减特征集维数。其中XGB-SBS算法保留特征维度为33,得到的总体分类精度为95.63%,Kappa系数为0.943;XGB-PCCS算法保留特征维度为25,得到的总体分类精度为95.55%,Kappa系数为0.942。XGB-PCCS算法人为干预程度较低、运行时间较短,保留的特征集更精简。两种算法得到的特征子集对比后,总结出了针对本文数据集的面向地物分类的LiDAR点云与高光谱影像多模态特征构造中重要程度较高的24种特征。