倾斜摄影测量点云作为一种新兴数据,因其具有丰富的地物表面信息和低成本、高精度、高效率等优势获得广泛关注,并在建筑物提取和建筑物单体化等方面表现出广大的应用前景。同二维图像相比,密集匹配点云的难点就在于地物分类时不仅要对地物的顶面进行分类,还要将地物的立面点集也划分到相应的类别中。但是,通过多视影像密集匹配生成的点云在分类任务中会受复杂多变的地形与地表起伏等因素的影响。倾斜摄影测量在获取多视影像时,会因为地物自身形状和地物间互相的遮挡等原因,无法获取到完整的地物相片。这使得地物分布较为密集的区域在生成倾斜摄影测量点云时会生成许多光谱信息错误,或者空间信息错误的点。这类点在传统分类算法中形成干扰因子,从而导致传统的三维点云分类算法表现效果不好。近年来,由于深度学习中的人工神经网络拥有优越的非线性表达能力而被广泛应用到多个研究领域中。研究者们在倾斜摄影测量点云中引入深度学习的方法,从而将三维点云数据中的地物分类称为语义分割。而三维点云中的建筑物单体化又与深度学习中的实例分割在概念上十分相似。因此,本文尝试使用深度卷积神经网络对倾斜摄影测量点云进行语义分割和实例分割,并在训练过程中对网络模型的框架结构和损失计算部分进行改进和优化。主要完成的工作和成果如下:(1)为了使倾斜摄影测量点云数据更好的适配全监督深度神经网络的计算和训练方式,针对密集匹配点云的数据格式特性,在进行了人工地物采集与标注后,通过编程对点云实现了点云分块、重采样、三维坐标转换、数据归一化处理、人工标签覆盖点云、处理后点云数据与标签信息对应合并等等一系列半自动化的点云标签制作和点云数据预处理流程,最终完成了从原始点云数据到适用于网络模型的点云数据集的处理与转换。(2)在语义分割部分,指出同传统点云分类算法相比深度学习神经网络在语义分割任务中所具有的优势,并使用了两种深度卷积神经网络对倾斜摄影测量点云进行了建筑物语义分割。在详细介绍了两种深度神经网络的框架结构、损失算法和训练过程的原理后,通过对两种网络模型原有的结构进行了模型优化和算法提升,两种网络模型分别获得了93.9%和98.7%的分割精度。(3)在获得了倾斜摄影测量点云建筑物语义分割结果的基础上,采用以往通用的“语义+实例”逐范式分割模式,引入前期的语义分割结果对三维点云进行实例分割,获得了58.1%的准确率。而在实例分割的训练过程中,发现了全监督式深度神经网络存在整体训练过程时间过长,导致分割效率不够高的缺点。因此,在考虑了语义分割和实例分割之间的异同点之后,求同存异,提出了同时进行倾斜摄影测量点云语义分割和实例分割的并行分割模式,并构建了语义与实例联合分割的网络模型。这种分割模式大幅度缩短了网络的训练时间,提升了分割效率。最终做到,能同时完成语义分割和实例分割的训练,并获得94.1%的语义分割精度结果和53.2%的实例分割精度结果。