激光雷达（LiDAR）数据记录了地表不同物体的高度并且提供了丰富的高程信息,因此其在地物分类中具有重要的作用。近年来,由于深度学习模型具有较强的特征提取能力,使得它被广泛应用于LiDAR数据的地物分类中。然而,这些模型通常需要大量的训练样本才能取得较好的结果。但在遥感领域中,数据短缺是一种普遍现象,所以这限制了深度学习模型在LiDAR数据分类上的发展。此外,现有模型大多是针对某一数据的特性手工设计出的,但对其它数据缺乏普适性。而不同传感器捕获的LiDAR数据具有不一样的性质,所以应针对不同的LiDAR数据自动设计出对应的模型。本文针对上述问题分别提出了两种解决方法,主要研究内容包括以下几部分:首先对生成对抗网络的理论及其衍生模型进行了深入的分析,并研究了神经网络架构搜索的各部分理论,为本文后续章节构建LiDAR数据分类模型奠定理论基础。其次,改进了条件生成对抗网络的结构。引入残差单元增加生成器的网络深度来提高生成样本的质量,并将生成样本扩充到训练数据中来充分训练模型。改进判别器的结构使其可以多分类输出,并引入Drop Block正则化方法提高模型的分类能力。通过对比实验结果表明,本文提出的方法显著提高了LiDAR数据的分类精度,并极大地缓解了数据短缺的问题。最后,提出了基于神经网络架构搜索的LiDAR数据分类方法。设计了一种全新的搜索空间,在其中引入注意力机制提升模型的特征提取能力。引入余弦幂次退火学习率调整策略,降低搜索和评估阶段所消耗的时间。引入了标签平滑正则化方法增强模型的鲁棒性,避免过拟合现象。在三种由不同传感器获得的LiDAR数据上的实验结果表明,本文所提出的方法取得了最出色的分类性能。