三维点云数据所特有的空间结构信息为进一步提升视觉应用的精度提供了可能,因此吸引了越来越多研究者的关注。点云分类是点云数据处理的一个重要研究方向,也是一个具有挑战性的课题,相关研究的重点主要集中在以下方面:(1)提高点云分类算法的精度,(2)在保持精度的前提下提高点云处理速度。本文主要研究了点云精简算法、特征描述子构建方法以及对应的分类算法,旨在保持分类精度的条件下提升点云分类算法的速度。本文的主要工作如下:(1)针对当前点云精简算法中存在的精简效率不高、精简导致精确度降低的问题,本文提出了一种点云的非均分层方法及分层点云精简算法。首先利用点云的空间结构信息完成非均分层处理;然后计算各层的曲率信息并据此去掉分层中不重要的点,实现单层点云的精简;最后将精简后的各层点云进行拼接得到完整的精简点云。对比实验结果表明了本文提出的点云精简算法的有效性。(2)针对经典的点云特征描述子存在特征维度较高、计算效率不高的问题,本文提出了一种二值化几何特征描述子(BGFD)。首先利用特征重要性评价及特征冗余性分析选择出最优几何特征子集,对其进行二值化处理得到二值化特征表示(BGFD)。采用BGFD与经典描述子进行场景目标匹配的对比实验结果表明,本文提出的低维度、高效率的特征描述子保持了较高的描述能力。(3)针对高精度的深度学习点云分类算法存在模型训练时间过长的问题,本文提出了一种基于二值化特征描述的点云分类算法。利用二值化处理方法对点云的RoPS特征进行改进生成了二值化RoPS特征(B-RoPS),并与BGFD特征进行拼接形成融合的二值化特征描述,以此作为点云分类算法的输入特征,实验结果表明基于上述特征的点云分类算法在保持较高分类精度条件下提升了模型训练速度。