激光雷达(Light Detection and Ranging,LiDAR)技术是一种主动的遥感测量技术,通过向目标发射激光来获取地面物体的信息。该数据在地形绘制、城市建设等领域有重要作用。近些年,传统卷积神经网络(Convolutional Neural Network,CNN)在该数据上的作用也已经被验证。但随着传统CNN网络层的不断加深,会出现梯度消失、网络层冗余等问题。深度卷积神经网络(Deep Convolutional Neural Network,DCNN)可以缓解以上问题,但也存在模型尺寸大、参数众多的问题。因此,本文将着重研究DCNN对LiDAR数据分类的作用,同时对其进行改进以获得更好的分类效果。本文主要内容包括:首先,探究了LiDAR数据的来源、发展、特点并收集了实验所需数据集;同时,验证了一些经典的LiDAR数据分类算法并选取了可靠的分类评价指标。为后文算法的设计、实现与性能分析提供理论基础。其次,设计并实现了基于密集卷积神经网络(Dense Convolutional Network,Dense Net)及空间变换网络(Spatial Transformer Networks,STN)的LiDAR数据分类算法STN-Dense Net。STN通过旋转、平移、伸缩等变换使输入数据根据网络需求自适应形变。同时,Dense Net的密集连接可以加强特征信息的复用,缓解DCNN的梯度消失与网络层冗余的问题。与一些经典算法以及传统的CNN进行对比,STN-Dense Net有更好的分类效果。最后,设计并实现了基于轻量化网络之一的Squeeze Net及八度卷积(Octave Convolution,Oct Conv)的LiDAR数据分类算法。Squeeze Net只有1×1和3×3的卷积核,可以减少网络参数数量。Oct Conv会按比例池化一些输入特征图,并将它们与保持原始尺寸的输入特征图分开存储。通过在两组之间共享信息来减少空间冗余。与一些经典DCNN相比,该算法减少了网络参数数量并减小了模型尺寸,从而节省了内存空间及训练时间。