随着我国经济飞速发展,城市建筑的规模越来越庞大,结构也越加复杂。建筑物的室内空间承载着人们日常中的绝大部分活动。目前的建筑物室内空间的表达方式主要局限于二维地图,三维结构化信息尚未呈现。三维室内地图具有全方位展示室内环境的多样性与空间信息的特点,并且视觉上一目了然,能够提供更加丰富、准确的空间信息,不仅可以满足人们的基本导航需求,还可以应用于更高级别的基于位置的室内个性化服务。在建筑设计领域,一个富含丰富3D语义信息的模型会应用在其设计、施工以及管理运营阶段,该模型称为BIM模型。实际情况中,由于人为误差和其他原因,建筑物的真实结构总会和设计图有所出入,给建筑物的管理和运营带来了很大的不便。为了更好地对建筑物进行管理运营,需要获取建筑物现状的BIM模型。通过扫描建筑物所得的点云进行分割继而建模,实现建筑物中地面、门窗、墙壁、天花板等语义分割,最终得到一个富含3D语义信息的建筑物BIM模型。室内三维地图的构建与建筑物BIM模型的构建均需要对室内空间进行三维建模。数据源通常为三维激光点云。SLAM的技术发展为建筑物室内数据的获取提供了技术上的支持,也省去了传统三维激光扫描仪数据拼接配准的步骤。在建模过程中,对点云进行高效自动化的分割分类,尤为重要。本文提出了对建筑室内场景的SLAM点云进行分割分类的方法,主要对建筑物的室内结构进行分割与分类,包括地面、天花板、墙壁、门窗等结构。数据源采用基于SLAM算法的移动式三维激光扫描仪,建筑为北京建筑大学学院楼F座。主体内容分为两部分:1)点云的分割。分割的主要内容为基于八叉树对点云进行体素化,利用体素化后的点云使用区域生长算法进行点云的分割,其中涉及到体素尺寸的合理选择,体素特征值的提取以及边界的细化分割。2)点云的分类。主要利用条件随机场(CRF)构建分类器对分割好的点云进行标签分类,条件随机场模型是判别式模型的一种。本文采取分割阶段的体素为节点,分割后的点云块为高阶团,不再构造二阶团,极大地简化了条件随机场模型的复杂度,模型的学习与推断采用graphcut_inference方法,提高了分类的准确率与速度。实验结果表明,本文所采用的算法不仅具有良好的分割分类精度,同时也加快了点云的分割与分类速度。