建筑物是人们生活、学习、工作的场所;建筑物数据库是城市科学化、精细化运营的基础库之一。三维建筑模型是建筑物基础数据库的数据基础,是三维GIS系统的应用基础。传统的手工三维建模方式费时费力,因此研究建筑物三维建模过程自动化是非常必要的。激光雷达系统(LiDAR)较少受光照等天气条件影响,可以快速、实时地采集地表或地物三维表面信息,是建筑物三维重建的重要数据来源。随着LiDAR系统数据获取能力的提升,可用数据越来越丰富,但目前的重建方法仍然效率较低,尤其是针对海量数据的处理,缺少经济、可靠的方法,也未能充分利用GIS或空间数据库的优势。从三维模型的数据表示来看,现有的三维模型的物理结构及逻辑结构,较少考虑建筑物的空间及属性特征,也会导致三维GIS系统的可视化性能瓶颈。本研究以已分类的机载LiDAR建筑点云为基础,基于知识推理过程,高效率、规模化地自动重建建筑屋顶多面体三维模型,在恢复建筑屋顶主体结构的同时,准确地重建边界及细节特征,且所生产的三维模型信息冗余少,重用率高,既能满足常用的三维空间分析需求,也可提高3DGIS系统的可视化性能。本文充分利用空间数据库的并行计算及空间分析能力,提出满足实际应用需求的基于空间数据库的LiDAR建筑点云并行重建框架,解决大范围、海量LiDAR数据的重建效率问题。重建过程的具体内容包括单体建筑分离、建筑屋顶重建以及三维模型生成等三个方面。单体建筑分离过程基于密度聚类方法,算法的效果和效率比已有方法有很大改进,可以很好地适应建筑密集区、数据含噪声、以及数据采样点分布不均匀等复杂情况。单体建筑的重建流程包括边界跟踪,平面片提取,边界简化,以及几何与拓扑重建等。边界跟踪方法采用多邻域结合的局部凸包算法;平面片提取则结合参数域方法的鲁棒性与空间域方法的计算效率优势;重建过程利用具有统计显著性的大面片重建主体结构,基于知识推理过程重建屋顶细节特征;三维模型数据结构则考虑建筑物的局部相似性,基于模型库及纹理库来重用资源,减少数据冗余。本文的主要贡献包括:(1)首次提出基于空间数据库的建筑物三维模型并行重建框架,解决海量LiDAR点云数据的存贮、检索、分析及三维模型重建等性能瓶颈,有效提高了 LiDAR点云的处理效率。(2)基于知识推理的建筑物屋顶模型自动重建流程。在数据含有噪声、数据采样点密度不足等不利条件下,分阶段、分步剔除噪声,稳定地重建建筑屋顶的主体结构及细节特征,有效提高了从LiDAR点云重建建筑屋顶的自动化程度。从具体的重建流程来看,本文的贡献还包括:(1)基于密度聚类分离单体建筑。本文不仅是首次将该思想用于单体建筑分离,还考虑到海量数据的计算效率等,提出并行化的算法;(2)对已有的建筑物近似边界跟踪方法的改进,即不同邻域结合的局部凸包算法,比已有算法更鲁棒,适应性更强;(3)参数域与空间域结合的平面片提取方法,其中相似属性约束条件下的空间域增长,也是本文全新提出的方法。