作为一种新兴数据,密集匹配点云因具有真实、丰富的地物信息而被广泛关注,并且随着多视倾斜摄影测量技术的发展得到了越来越多的应用。但是由于密集匹配点云具有粗糙、地物边界模糊、数据冗余大等特点,传统激光扫描点云处理技术对其适应性较差,研究适用于密集匹配点云数据的处理算法具有重要应用价值。本文围绕密集匹配点云的数据结构特点、高程精度评价、滤波、建筑物提取等问题开展研究,完成的主要工作与创新点如下:1.阐述了论文的研究背景以及研究意义,总结了点云处理算法的研究现状以及倾斜摄影测量技术的发展历程,详细分析了密集匹配点云与传统激光扫描点云的特点。2.设计了一种无地面控制点条件下,以激光扫描点云为参考数据的密集匹配点云高程精度评价算法。首先通过基于点的区域生长分割激光扫描点云,提取具有稳定位置、几何结构的屋顶面,然后构建平面方程,计算密集匹配点云的高程拟合值,最后统计最小平面单元的高程残差平均值和均方根误差。实验表明,高程残差平均值和均方根误差对点云高程偏差和垂直方向噪声情况具有指示意义。3.针对复杂城市场景,提出了一种改进的深度图像区域生长分割和基于邻域语义信息合并地面点的滤波算法。首先根据密集匹配点云特点,用平面点云密度自适应设置虚拟格网尺寸;其次基于坡度滤波思想,估计区域生长条件阈值;最后针对封闭区域地面点,沿实验区域建筑物主、次方向分析邻域语义信息,实现地面点完整分割。实验表明,该算法对地物底部边缘不清晰、密度不同的数据表现出较好的适应性,人工交互少,滤波效果理想。4.提出一种多级分割的密集匹配点云建筑物提取算法。针对建筑物与树木粘连情况,首先基于密集匹配点云颜色信息和多尺度下点云法线差分割点云,以树木点的分布特点为依据建立邻域投票,剔除树木点;再通过虚拟格网组织点云提取格网顶部点,利用区域生长的思想,分割顶部高程差异明显的地物结构,并采用平面比特征描述分割图斑内部的最大平面特征;最后以建筑物结构为先验知识,合并过分割结果,计算特征向量输入支持向量机,根据格网顶部点的提取结果判断立面点的类别属性,得到完整的建筑物点集。