近年来,点云数据已成为摄影测量和遥感、计算机视觉、机器学习等多个领域常见数据源之一,且其类型多样。充分利用点云自身所带的信息来实现点云数据的分类、物体的提取和识别已成为点云数据广泛应用的关键技术。然而点云数据自身存在的无序性、密度不一致性、非结构性、信息不完整性等特性使得点云的分类充满挑战。越来越多的学者利用深度学习的方法对点云数据进行分类,并取得较好的结果。PointNet是第一个以点云数据作为直接输入的深度学习分类网络。但由于该网络在训练过程中缺乏局部特征,使得分类精度不能进一步提升。针对此问题,本文提出通过K-means++聚类改进PointNet,以提升分类精度。本文主要研究内容如下:（1）利用无人机对目标区域进行了倾斜影像采集,并对影像数据进行质量检查。基于密集匹配算法将采集到的倾斜影像生成原始点云数据。随后采用多种去噪算法对原始点云数据进行去噪,同时采用多种滤波算法分离地面点与非地面点,为后续实验提供了可靠的实验数据。（2）利用预处理过的原始数据制作测试集,选用SensatUrban数据集作为训练集。在选取网络优化方法时,K-means++主要解决了K-means的聚类中心初始点选择的问题,使初始点的选择更合理。因此选择K-means++作为网络优化方法。将K-means++提取到的局部特征输入原网络,与原网络中全局特征进行融合,弥补了原网络没有局部特征的缺陷。分别使用PointNet和改进后的PointNet在Py Torch深度学习框中进行训练和测试。最后利用混淆矩阵得出的四个分类精度评价指标对两个网络模型的分类结果进行评价。与原网络相比,建筑和植物的精确率分别提升了8.06%和4.15%,召回率分别提升了4.61%和7.19%。分类的总体准确度从91.1%上升到了97.2%,平均交并比从55.7%上升了到了62.6%。通过比较loss曲线变化图可以看出,改进后的PointNet具有更快的收敛速度和更好的收敛效果。同时加入两种传统机器学习点云分类方法:支持向量机和随机森林作为对比实验。评价结果表明,将K-means++提取到的局部特征输入到原网络中与全局特征融合后,无论是相对于传统分类方法还是原PointNet网络,分类精度有了明显的提高。