铁路以其安全、便捷、大运量、全天候等优势,已经成为交通基础设施互联互通的首要选择。而既有铁路基础设施的检测是铁路运营中一个至关重要的环节,运营铁路的病害探测及养护维修等工作需要通过铁路复测工作准确掌握沿线基础数据。其中,铁路的空间信息数据是铁路轮班安排,乘客的舒适性和铁路安全的重要保障。传统的铁路空间信息数据复测方法需要大量人工实地探测,其稀疏采样方法的准确性高度依赖于测量人员的工作经验,且具有较大的安全风险隐患。研究高精度、高效率、低风险的新型铁路空间信息数据复测方法已经成为目前研究的热点。车载激光扫描技术(Light Detection and Ranging,LiDAR)以其扫描速度快、非接触式、测量精度高等特点,在铁路场景下三维空间信息的采集工作中具有无可比拟的优势。本文以车载LiDAR点云数据后处理为研究目标,对铁路横断面轮廓、轨顶点以及接触网点云数据展开了以下研究:(1)阐述了车载LiDAR系统的国内外研究现状,将其与机载LiDAR技术进行对比分析,并总结和分析了LiDAR技术应用于既有铁路复测中的研究成果以及待解决的问题,并在此基础上提出了本文的研究内容。(2)对常用点云分割算法原理进行研究,总结了各算法的优缺点和场景适用性,并采用了基于欧式距离聚类的分割算法,实现了铁路地面点云和非地面点云的分割。(3)针对铁路地面点云,本文研究了一种基于POS(Position and Orientation System,POS)线的铁路横断面切割方法,并采用Alpha Shape算法提取铁路横断面点云数据的轮廓;同时,本文根据POS线与铁路横断面的空间特性,研究了一种基于POS线投影的横断面轨顶点点云提取算法,对横断面上的轨顶点点云进行了提取,最终直线段与曲线段的提取总体精度平均值分别为98.66%和96.50%。(4)针对接触网自身的空间分布特征,本文采用了一种由粗到精的分类提取方法。该分类策略基于多尺度自适应特征分类算法与顾及接触网特征的DBSCAN(DensityBased Spatial Clustering of Applications with Noise,DBSCAN)算法相结合的分类提取方法实现了接触网分类。第一步,利用多尺度自适应特征算法对接触网数据集进行了接触网粗分类;第二步,利用顾及接触网特征的DBSCAN算法将粗分类后的点云精确分类为:接触线、承力索和回流线。最终的分类结果总体精度平均值可达99.69%。综上所述,本文针对车载LiDAR点云数据,研究了一种新的点云切割方法、一种轨顶点点云提取算法以及研究了一种由粗到精的接触网分类提取方法,为铁路实际生产运营起到了指导作用,丰富了铁路空间信息数据高效、准确、自动处理的方法。