近年来,机载激光雷达技术因其高精度、高效率的数据采集而广泛应用于地形测绘、三维建模和城市规划等多个领域。然而,机载激光雷达获取的数据是无序的三维点云数据,并不能直接获取地面和物体的三维信息,因此研究高效、高精度的点云分类方法成为了当前的研究热点。依据特征提取的基本单元,现有的点云分类方法可以分为基于点的分类方法和基于分割段的分类方法。基于点的分类方法通过分析单个点的特征对点云数据进行分类,而基于分割段的分类方法首先使用点云分割算法对点云数据进行分割,然后在分割段的基础上对点云数据进行分类。与基于点的分类方法相比,基于分割段的分类方法能获得更丰富的特征信息,提高分类效果。然而,现有的基于分割段的分类方法不仅存在点云分割不合理问题,而且忽略了不合理特征对分类效果的影响。本文对基于分割段的分类方法进行研究,提出了一种新的点云分类方法。该方法由逐步点云分割,基于随机森林的点云分类,以及分类结果的优化三个阶段组成。在逐步点云分割阶段,针对区域增长算法中存在的过分割和欠分割问题,本文将随机采样一致性算法和区域增长算法相结合,提出了基于小平面的区域增长算法。同时,鉴于单一点云分割算法存在的局限性,本文将区域增长算法和欧氏聚类算法相结合,提出了逐步点云分割方法,从而将点云数据分割为三种类型的分割段。在基于随机森林的点云分类阶段,鉴于不合理特征对分类效果的影响,本文采用随机森林对分割段的特征进行选择,从而提高分类方法的鲁棒性和稳定性。此外,在分类结果的优化阶段,本文提出了一种结合语义规则和k最近邻算法的优化方法。在优化过程中,本文首先使用带条件的欧氏聚类算法将点云数据分割为多个对象,之后依据各类对象的语义信息设定相应的语义规则,并使用设定的语义规则对各个对象进行检测,选出分类不可靠的对象,最后使用k最近邻算法对属于不可靠对象的点云数据进行分类,从而提高分类方法的分类效果。本文在两个测试数据集上对本文提出的分类方法进行测试。实验结果表明,本文提出的逐步点云分割方法能够有效地对点云数据进行分割,并且本文提出的点云分类方法能够获得较好的分类效果。