三维点云分割分类是城市三维重构、场景理解、目标检测等研究领域的重要基础。然而城市三维目标种类繁多情况复杂,如何将粘连点云目标进行准确分割并用于点云结构化是当前研究的难点。近年来,随着社会科技水平的不断发展,激光扫描技术愈发成熟且设备逐渐更新,激光点云数据获取也愈发容易。本文面向激光点云数据,提出了一种基于参数自适应最小割的室内外粘连点云分割方法,实现粘连目标准确分割,本文采用三组室内激光点云数据以及两组室外激光点云数据对本文分割方法的有效性以及可行性进行评估验证,具体工作如下:针对室内粘连桌椅点云实现准确分割。首先对室内点云数据进行深度学习点云粗分类,先利用三维点云深度学习网络模型Point Net进行点云类别分类以及场景语义分割,然后在进行标签点云分类,保证室内粘连桌椅点云分类输出。考虑到室内粘连目标具有的几何形状以及特性,为了提高点云最小割自适应性以及分割效率,对粘连目标点云进行最小割参数自适应计算,先进行欧式聚类分割得到单个目标点云,根据各个目标点云自身的包围盒信息异同,在进行空间最小包围盒计算得到单个目标点云中心点坐标以及水平半径。最后利用点云最小割进行最小割分类结果优化,达到室内粘连桌椅点云准确分割的目的。针对室外粘连树木点云实现精准分割。首先对室外点云数据进行数据预处理,先进行点云下采样,在进行局部空间滤波,保证噪声点以及地面点的充分去除。以预处理后的非地面点为数据集,进一步提取单株树干点云。树干识别与提取分三个步骤进行,首先进行场景点云粗分割得到树干切片点云;由于点云数据可能缺失,采用点云补全算法对切片点云进行补全处理;最后利用圆柱拟合及相交检验得到局部树干点云。在获得局部树干点云基础上,对其进行空间圆柱滤波以及区域增长分割处理,获得完整树干点云。最终通过基于最小割的粘连树木分割方法,达到室外粘连树木点云精确分割的目的。该论文有图43幅,表4个,参考文献54篇。