目前,三维点云在智能无人车和物体检测等实际生产生活中的应用日趋广泛。三维点云的分割与分类是计算机视觉领域中十分重要的两个研究方向,尤其是针对于室外场景,能够准确地检测并识别出室外场景中的物体对于智能车辆驾驶、陆地自主导航等热门任务具有非常重要的意义。三维激光扫描仪在室外环境下采集的点云是稀疏的、海量的、无序的点的集合,集合中的所有点构成一幅室外场景。由于室外场景的干扰较多,情景比较复杂,因此室外场景三维点云的分割和分类是一项极具挑战性的任务。本文对室外场景三维点云的邻域特性和拓扑结构进行了较为深入的研究,实现了室外场景三维点云的合理分割与分类。在地面提取方面,本文主要创新点在于提出了一种基于二维高斯过程回归的地面提取方法。首先用改进的增量算法快速提取出一个初步地面结果,然后用二维高斯过程回归方法进一步提高地面提取的准确率,将二维高斯过程回归方法处理后的地面作为最终地面。在地面点提取出来以后,非地面点组成的物体之间的距离更加清晰,密度变化也更加明显,这大大减轻了后续物体分割的难度。在分割与分类方面,本文采用DBSCAN算法对非地面点部分进行无监督聚类,该算法能够把具有足够高密度的区域划分为簇,并且可以在有噪声点的三维空间数据中实现任意形状的聚类。最后,借助于PointNet神经网络对每一簇点云进行分类。该神经网络要求训练集中的每个样本必须包含相同的三维点数,而物体有大有小,不同物体包含的三维点数量悬殊。因此,在制作神经网络训练数据集的时候,本文采用了改进的格点法对组成各种物体的三维点数量进行对齐,使每个训练样本包含相同数量的三维点。