激光雷达（Light Detection and Ranging,Li DAR）是一种能够获取大面积区域精确点云信息的遥感技术,其被广泛地应用于地形测绘,高度估计,电力线监测等诸多方面。然而,在用于获取地表信息的激光雷达点云高程数据中,位于地面和地物（如树冠）上的点混杂在一起,因此在构建地形之前,需要将其分为地面点和非地面点,这一过程被称为滤波。虽然当前已有许多点云滤波算法被提出,但这些算法普遍在具有陡坡或不连续特征的复杂地形处表现不佳,因此本文的研究目的在于改进已有滤波算法,以提升算法在这些复杂地形下的滤波性能,为后续点云数据的应用提供支持。本文的主要工作包括两个部分:（1）为了提升经典渐进不规则三角网加密（Progressive Triangulated Irregular Network Densification,PTD）滤波算法在陡峭或不连续的复杂地形处的滤波性能,本文提出一种基于多级虚拟网格和形态学运算的渐进不规则三角网加密滤波算法,该算法使用多级虚拟网格来获取更多的地面种子点,并使用形态学开运算在迭代加密步骤中对地面点进行重筛选。为了评价改进算法的滤波效果,本文使用国际摄影测量与遥感学会（ISPRS）提供的四组包含有大量不连续地形的标准测试数据进行滤波测试。结果表明,相较于经典算法,改进算法很好地保留了地形特征,并且在所有数据上均产生了更小的第一（Ⅰ）类误差和总误差,定量分析显示这两种误差指标在四组测试数据上的最大值分别是3.05%和4.22%,均小于经典算法产生的相应误差结果的五分之一。（2）在改善了经典PTD算法对复杂地形处理能力不足的问题之后,为解决该算法对全局统一的经验参数敏感的问题,提出一种基于分割和地形自适应参数的渐进不规则三角网加密算法,该算法实现了根据局部地形自适应设置的阈值参数,并使用区域生长技术将原始点云进行分割以获取更充足的地面种子点。在使用ISPRS提供的标准测试数据进行滤波测试时,改进算法较好地保留了地形特征,在定量测试中,改进算法产生的第一（Ⅰ）类误差和总误差均保持在7%以下,第二（Ⅱ）类误差均小于20%。同时,在后续的参数测试中改进算法也表现出较好的鲁棒性。