随着激光扫描技术的快速发展,在室外大场景下,能够获取的稠密三维点云数据也越来越多。近年来,三维点云数据在自动驾驶、智慧城市以及逆向工程等领域的应用也受到广泛的关注,而三维点云分类是这些领域中的关键步骤,因此,对室外大场景下的点云进行分类具有十分重要的意义。本文主要研究并改进了点云预处理中的地面滤波算法、基于点的点云分类算法以及基于对象的点云分类算法。在点云预处理阶段,本文在对原始点云建立空间索引、去除噪声点和降采样之后,提出了 一种基于区域生长的地面滤波算法,该算法结合主成分分析法剔除了大量非地面点,提高了地面滤波精度,实验证明该地面滤波算法能够在提取地面过程中保证非地面点的完整性。接着研究了基于点的点云分类,首先利用最小熵模型选择邻域范围,之后在支撑区域内提取多种特征并融合,包括本文提出的法线夹角分布直方图和纬度方向采样直方图两种特征,然后使用支持向量机进行训练和分类,并在分类之后根据多尺度下近邻标签优化分类结果。实验结果证明本文提出的基于点的点云分类框架能有效处理点云分类问题,同时具有较高的准确度。最后深入研究了基于对象的点云分类算法,本文运用密度聚类算法进行初步的点云分割后,再利用Kmeans聚类算法进一步过分割成点云对象,尽可能保证了每个对象内的点实际属于同一类别,之后提取每个对象的特征并用支持向量机进行初步分类,本文提出将初始分类信息用于MeanShift聚类,提高了聚类准确度,并将MeanShift聚类结果作为条件随机场的高阶团,最终使用条件随机场进行分类。实验表明本文所提出的基于对象的点云分类具有更高的分类精度。在室外大场景下,本文的点云分类算法分别研究了基于点和基于对象的方法,经过实验对比,基于对象的点云分类能够获得更好的整体分类效果,但在粘连区域效果尚有不足,其更适用于物体间距较大的室外场景点云分类;而基于点的分类算法在细节处可以达到更好的效果,更加适用于物体有一定接触的室外场景。