多线激光雷达得到的点云数据能够提供丰富的细节和深度信息,并且随着深度学习技术的快速发展,基于其的场景理解任务包括语义分割、目标检测、三维重建、点云配准等受到越来越多的关注,并已广泛应用于自动驾驶和场景重建任务中。大规模城市道路点云场景中的同类目标可能存在明显的大跨度空间相关性,例如路灯每隔几十米出现一次。这种空间相关性对于目标判定可能起着决定性的作用。本文从这一点出发以城市道路路灯为例对来捕获这种相关性,并主要从三个方面进行研究:（1）局部邻域几何特征提取:针对大规模点云场景下的高噪声,密度不均,目标部分缺失等问题,本文结合改进的超体素划分算法和构建语义邻域来得到连续局部邻域,并提出点云自编码器来编码连续局部邻域的几何特征。在S3DIS,ScanNet V1和NPM3D多个数据集上的不同实验结果表明,基于连续局部邻域的自编码器能够提供更好的局部特征表示。（2）基于弱监督的目标显著性区域提取:针对不同类目标的局部形状相似性带来的几何编码特征误关联问题,本文一种弱监督目标显著性区域提取算法在多约束下提取不同目标的显著性区域。在NPM3D数据集上的实验结果表明,提取的显著性区域能够较好的区分不同类目标的局部形状。（3）类内目标空间相关性提取:针对目标间大跨度空间相关性提取问题,本文提出一种使用目标局部近似目标整体空间相关性的方法。该方法通过建立类内目标显著性区域的局部对应关系来得到目标空间分布相关性。在NPM3D数据集上的实验结果表明该方法能够准确的提取目标的空间分布信息。本文提出的大跨度空间相关性提取方法能够为城市场景中多类别目标的检测与识别提供新的约束,为点云语义分割,目标检测中的目标判定提供强先验信息。