机载激光雷达（Light Detection And Ranging,LiDAR）技术在获取大面积、高精度三维地表数据方面具有显著优势,目前已成为构建数字高程模型（Digital Elevation Model,DEM）最重要的数据获取手段之一。但通过LiDAR得到的点云数据量庞大而复杂,这一方面影响着后续数据处理的效率,在某些工程应用中数量庞大的点云对提高DEM的高程精度也没有明显的贡献。因此,在保留原始点云基本地形特征的前提下,对海量LiDAR地面点云进行简化具有十分重要的现实意义。层次聚类算法是一种无监督的机器学习方法,它将空间中特征相似的点聚成一簇,且能识别任意空间分布的簇,同时它的相似性度量准则的定义也比较简单,因而被用到点云简化中,并取得较好的效果。但对LiDAR地面点云进行简化时,该算法仍存在以下缺点:（1）层次聚类算法需要主观设置聚类终止阈值。但对于没有先验知识的区域,不合适的终止阈值会造成聚类不准确。（2）层次聚类算法通常以距离、法向量、曲率等单一特征作为相似性度量准则。但单一特征只能描述LiDAR地面点云地形特征的某一个方面,无法准确衡量地面点之间的相似性,进而影响聚类结果的准确性。针对上述问题,本文的主要研究内容如下:（1）针对主观设置层次聚类终止阈值会造成聚类不准确的问题,设计了一种基于空间自相关的层次聚类算法。通过引入半变异函数对地形特征的空间自相关范围进行研究,以此来确定层次聚类的终止阈值,旨在保证聚类后簇内数据具有空间自相关性的条件下,将空间中距离较近的点聚为一簇。（2）针对使用单一特征度量LiDAR地面点之间的相似性会造成聚类不准确的问题,设计了一种基于地形特征的层次聚类算法。基于多个地形特征因子,使用余弦相似度和高斯距离权重,构建了加权余弦相似度作为层次聚类的相似性度量准则,来衡量地面点之间的相似性,以提高聚类后簇内数据的地形特征相似性。（3）针对传统层次聚类算法在LiDAR地面点云简化中存在的聚类不准确的问题,设计了一种基于改进层次聚类算法的机载LiDAR地面点云简化算法。使用基于空间自相关的层次聚类算法和基于坡度的LiDAR点云采样规则,对地面点云进行聚类、采样和中误差计算,以特定比例尺DEM规定的高程中误差,作为是否对基于空间自相关的层次聚类结果进行基于地形特征的层次聚类和采样的依据,旨在提高LiDAR地面点云聚类的准确性,以较少点云构建特定比例尺DEM。研究表明:与基于K-Means++算法、基于坡度的LiDAR地面点云简化算法相比,本文设计的基于改进层次聚类算法的机载LiDAR地面点云简化算法有良好的简化效果,能在无任何先验知识的条件下,得到分布合理的简化结果。本文算法实现了以较少点云构建特定比例尺的DEM,对于在实际工程中提高DEM的处理与分析速度具有重要意义。