车载LiDAR系统能高精度、高效率获取城市道路场景点云数据,在城市建模、无人驾驶、道路设施普查与管理、高精度地图制作等领域有重要的应用价值。城市道路场景的车载点云包含丰富的车辆、人工杆状物、植被、围栏等对象,如何对其进行精确分类是充分发挥其应用价值的关键。基于机器学习方法开展点云分类研究,是实现点云分类自动化的必然趋势。传统机器学习点云分类方法需要针对某一数据类型人工设计特征,难以应用到非常广泛的数据集中,限制了其在复杂场景多分类的应用;基于深度学习的方法能直接从数据中学习、提取特征并自动得到分类结果,避免了人工设计特征的局限,是一种适用于复杂场景多分类任务的方法。针对道路大场景的点云数据,现有的深度学习端到端点云分类方法多将原始点云切割为小的立方体再进行分类。这种分类方法存在两方面的不足:（1）将点云切割为立方体会破坏点云完整的几何结构;（2）城市道路场景的地物常存在粘连现象,简单的立方体分割会导致粘连的地物分割在一起。这两点不足是降低道路场景分类精度的关键因素。为提高道路场景点云分类的精度,论文研究了一种基于Point Net++的道路场景点云分类方法,以实现道路场景地物的高精度自动分类,主要研究内容和结果如下:（1）道路场景数据集制作和数据增强制作了一个包含车辆、树木、低矮植被、围栏、各类杆状物等对象的小型城市道路场景数据集,用于模型的训练。针对道路场景同一类地物在方向、尺寸上的差异,以及获取的数据存在噪声和缺失的问题,论文设计数据绕z轴旋转、数据平移、尺寸缩放、增加高斯噪声和随机丢失点五种数据增强方法扩充数据,并通过控制变量的方法,测试了每种数据增强方法的有效性。实验结果表明,绕z轴旋转、数据平移、尺寸缩放和随机丢失点能延迟模型训练过拟合的轮次,延迟的轮次数分别25、4、3、4;经过数据增强后,模型在验证集上的分类精度提升了1.6%。（2）基于合并过分割点云块的道路场景预分割针对立方体分割的预处理会损失整体几何结构、降低分类精度的问题,论文提出了基于合并过分割点云块的道路场景地物分割算法,以提高初步分类的精度。该算法对感兴趣区域原始点云进行地面滤波、DBSCAN聚类、大尺寸地物分割、过分割块合并等操作,以获得完整的小尺寸地物、还原过分割的树木、杆状物。通过实验对所提方法进行验证,结果表明,在有遮挡、有数据缺失的情况下,相对于体素分割和立方体分割两种不同分割预处理,本文方法的分类精度平均提升了5.74%和8.50%,对于真实类别为车辆和围栏的对象,本文方法能全部正确分类;在无遮挡、无数据缺失的情况下,本文方法与体素分割再分类的方法取得了大致相同的分类精度,相对于立方体分割再分类的方法,本文方法的分类精度提升了11.58%。（3）基于最小割的粘连地物分割后处理针对道路场景中粘连对象误分类的情况,论文提出基于最小割的粘连地物分割后处理算法,通过对初步分类结果进行粘连判断、粘连对象分割和分割对象精化分类,以优化粘连对象的误分类情况。实验结果表明,相对于初步分类的结果,在道路面有遮挡和无遮挡的情况下,本文粘连优化算法的分类精度平均提升了14.72%和28.07%。（4）论文选取了有数据遮挡和无数据遮挡两份测试数据评估提出方法的最终效果。本文方法在有数据遮挡的场景取得了89.38%的综合精度,在无遮挡的场景取得了96.85%的综合精度。实验结果表明,本文的点云分类方法能有效地对具有粘连情况的城市道路场景点云进行分类。