点云分类是点云数据处理的重要环节。快速、高精度的点云分类有助于自动驾驶、工业机器人、三维场景识别、地图重构等技术的发展。基于卷积神经网络的方法由于其强大的表达能力和特征抽象能力,在ImageNet图片分类、CoCo目标检测、CoCo图片分割等计算器视觉大赛中表现最为突出。但是,由于点云数据非结构化的特点,使得现有的卷积神经网络技术无法对点云数据进行分类。基于此现状,本文开展了以下工作。提出了基于卷积神经网络的点云分类模型。使用特定的编码,将点云数据转化为矩阵,使得卷积神经网络可以处理点云数据。通过端到端的训练,最大限度地减少人工经验对分类结果的影响。针对分类模型存在的参数多、精度低等问题,借鉴现有的深度学习技术,进一步优化了分类模型。通过应用SqueezeNet原则来构建Fire层以及deep compressed技术,大大减少了参数数量,并采用多通道信息融合技术和残差网络提高分类模型的精度。对比实验表明,使用SqueezeNet原则来构建模型,可以在不损失精度的前提下,将参数数量减少到原来的五十分之一;使用多尺度信息和残差连接的模型,比只有一个尺度信息和不使用残差连接的模型,精度更高。通过工程应用验证了模型的有效性。使用GML Airborne LIDAR Datasets 2010为实验数据集,运用上述所提的方法对点云进行分类。通过对实验数据的分析和可视化,验证了所提分类模型的有效性。最后,分析了基于卷积神经网络的点云分类模型的不足之处,并为其改善提供了若干思路以供参考。