目前，三维扫描这种新兴的技术手段凭借其高精度面式数据采集能力在生产活动中得到了广泛的应用，但是所采集的数据中存在大量的冗余点云，这些数据的存在对数据处理的软件和硬件性能提出了较高的要求，同时增加后期数据处理的时间，降低效率。此外，一些生产活动中需要对同一地区的数据进行多次采集，并使用所采集的多期数据进行配准，分析不同时间采集点云之间的差别，实现各自的监测需求。因此，本文对针对这种情况，使用不同的数据提取方法提取了点云中的常见地物特征，并使用所提取的同名特征进行时序点云之间的坐标系统一，同时进行精度评价与实地应用，主要工作如下：
　　（1）利用不同的监督学习方法生成监督分类模型对扫描点云中的圆柱状对象进行提取。介绍了监督学习的基本步骤、需要考虑的问题以及其他重要因素；然后对不同监督学习方法分类原理进行了阐述。利用不同监督分类原理生成的分类模型对数据进行分类，并利用混淆矩阵对分类结果进行精度评价。结果表明，加权K最近邻分类在所选用的分类模型中所提取的点云数据的分类效果最佳。
　　（2）利用邻域几何特征对建筑物的特征部位进行提取。利于球形邻域搜索在梯度搜索半径下构建特征点的球形邻域集合；计算特征点的几何特征并比较相同特征在梯度邻域中计算值的变化情况，确定点云的最佳搜索半径；针对根据邻域几何特征得到的特征点云中仍然存在冗余数据，使用高斯曲率对提取结果进行再提取。
　　（3）以校内模拟实验场地的数据为例，使用分层最小二乘拟合提取了杆状对象的三维坐标；使用不同投影方向的投影点密度提取建筑物特征点云中的特征点三维坐标；基于基准数据中所提取的杆状对象和建筑物特征点的三维坐标，使用4PCS进行坐标系转换并使用点到平面ICP进行精确配准；使用坐标转换参数对验证点云进行配准并进行精度评价。结果表明坐标系统一后的验证点云数据的平面精度和高程精度分别为0.025m和0.015m。在实际应用中，沉陷区内同一区域所得到的实测下沉与预计值之间的平均偏差约为0.1m，并且在趋势上保持了良好的一致性。