道路是城市的“血管”和“骨架”,联通和支撑着城市的发展。道路和人们的日常生活息息相关,是GIS数据的组成之一,道路信息也是“智慧交通”的重要数据源,准确的道路提取对一个城市而言十分重要。机载LiDAR以其具有不受天气条件的影响、作业周期快、时效性强、自动化程度高、还有一定的植被穿透性等特点,已经成为城市道路提取重要的数据源之一。机载LiDAR城市道路提取包含一系列的步骤,其中点云滤波和道路轮廓及中心线提取尤为关键。点云滤波即将地面点和非地面进行分离的过程,传统的滤波算法主要根据空间位置关系设置滤波条件进行滤波,较为成熟,但整体的普适性仍存在不足。随着计算机视觉和机器学习的发展,机器学习能够找寻更多有用的信息用于点云滤波,机器学习应用于点云数据处理也是今后研究的热点。但是一般网络耗时的同时数据还需要繁杂的预处理。因此,如何方便快捷来训练网络达到点云滤波的效果是研究的热点。对于城市道路的提取而言,使用遥感影像提取容易受到建筑物和植被遮挡的影响,使用点云数据提取的道路边界又较模糊,如何结合两者的特点,优势互补以达到更好的提取道路也成为研究的重点和热点。本文针对道路提取重要环节点云滤波和道路轮廓及中心线提取进行了深入的探讨和研究,主要研究内容和研究成果如下:1.本文将移动曲面拟合滤波的思想应用于点云去噪当中,设置阈值便可以保留地形点的同时剔除噪声点,但由于局部曲面拟合受窗口大小的影响容易错误分类簇状噪声点,而且操作也较为繁琐。本文提出了一种改进曲面拟合去噪方法,首先栅格划分点云并确定种子点,利用部分变量含误差模型进行整体最小二乘曲面拟合参数估计,计算各个点到曲面的垂直距离,利用频率分布直方图剔除噪声点。选取含有高位和低位噪声点的两组数据对所提的算法进行了验证,实验结果表明能够高效、快捷地剔除噪声点,能够满足后续的点云数据处理的要求。2.将PointNet++用于机载LiDAR点云的滤波当中,格网化分已经标定好地点面数据,并加入了灰度信息进行训练,训练分类器可得到相应的网络参数,利用分类器便可以对测试数据进行滤波。采用国际摄影测量与遥感学会发布的15组检验滤波效果的测试样本和一组含有色彩信息的数据对此算法进行实验分析,检验所提方法在各种复杂环境下的滤波精度。结果表明该算法现有的大多数主流滤波算法相似,其中平均的Kappa系数78.31%,个别平坦区域的滤波效果优于主流算法,去除地物点的同时保留了地面的细节。融入了色彩信息能够提高滤波精度。3.提出了一种高斯混合模型组合分类的道路提取方法。该方法利用融合影像即含有色彩信息的点云数据,首先对点云数据中的灰度信息和点密度属性采用高斯混合模型组合分类提取道路的种子区域,并利用强度影像扩展和约束该区域;最后运用数学形态学方法进一步优化并提取道路中心线。为验证该方法有效性,分别采取位于国外某城市的两组LiDAR点云数据来进行验证。结果表明,该方法可以有效的减弱阴影遮挡对道路提取的影响,提取的道路中心线较为平滑,提取的道路整体的平均完整率93.96%、平均正确率93.57%、平均质量88.30%。