倾斜摄影测量生产的三维模型可以满足1:500大比例尺的测图精度,具有很广泛的应用前景,但该模型数据仅是一个单一的表面模型,不利于后续空间信息的查询和分析。所以,在点云层面实现不同地物的语义性划分对实现模型单体化和空间三维地理信息的获取具有十分重要的意义。基于此背景,本文针对城区摄影测量点云进行了分类算法的研究,对不同的分类方法进行综合对比分析,并给予改进和补充,主要进行了以下几个方面的工作:（1）系统性的介绍了生产倾斜摄影测量点云的关键性技术,简介了常用的随机森林和支持向量机两种分类器工作原理,并详述了贝叶斯网络、马尔科夫随机场、循环置信传播概率模型和一些常见的点云分割算法。（2）针对单点分类方法,本文提出了一种二次Renyi熵改进的随机森林,并构建循环置信传播网络实现了单点分类结果的后处理优化。该算法以熵值作为评价准则,对手工选取的训练集进行等概率抽样获得小样本训练数据,通过迭代的方式不断扩充小样本,实现了训练集的优选;针对分类结果,该算法以不规则TIN网建立点云的邻域基团,以初始分类结果的概率分布构建数据项,引入多级logistic函数模型作为类别标签的先验概率,构建平滑项,通过邻域基团内信息传递的方式进行迭代以实现单点分类结果的优化处理。实验表明,该方法可以优选一组具有较好分类能力的子训练集,提高分类效率,此外循环置信传播算法的引入可以很大程度上优化传统单点分类结果中的“椒盐”现象。（3）针对基于分割的分类方法,本文提出了一种步进式的区域生长分割算法,该算法采用“粗分割、精细分割、合并”的思路,首先在几何条件约束下对场景内的平滑分割面片进行提取,其次,将点云丰富的纹理信息引入分割过程,在几何和颜色共同约束下对剩余数据进行精细分割,最后采用VDVI约束下的连通成分分析算法对过分割现象进行了合并处理,以步进的方式实现了场景内同质点云的分割,以分割结果为分类单元实现了城区摄影测量点云的分类处理。实验表明,步进式的分割方法可以获得更加合理的分割单元,分割面片较少,且分类精度较传统单点和区域生长更高。文章将两种改进的分类算法与传统方法进行了综合对比分析,两种算法均获得了较高的分类精度,两景数据分类总体精度分别达到了97.14%、95.65%,优于传统方法,其中,循环置信传播的优化性能比较依赖于初始分类精度,优化算法效率较低,基于步进式分割结果的分类算法更适合于复杂城区下摄影测量点云的分类。