地物覆盖监测在土地资源管理、生态系统保护和可持续发展等方面发挥着越来越重要的作用。利用遥感数据进行地物覆盖分类是量化土地资源并监测其变化的有效方法。作为新型的主动遥感技术,多光谱激光雷达（light detection and ranging,Li DAR）系统可同时获取地物的表面几何和光谱信息,已成为一种快速获取大范围空间数据的手段,为环境建模、灾害响应、地物覆盖分类等研究提供新的数据源。然而,由于多光谱Li DAR点云数据的无序、海量等特性,使得地物特征的提取过程充满挑战。传统的三维点云处理算法对点云数据语义特征表达能力不足,极易受到点云密度变化和点云分布情况的影响。随着深度学习技术的不断发展与进步,基于深度学习的三维点云地物分类与目标检测方面的研究越来越多。如何利用深度学习增强多光谱Li DAR点云数据中目标整体的特征抽象描述,提高多光谱Li DAR数据地物分类精度,已成为一个重要的研究课题。因此,本文提出了基于深度学习的多光谱Li DAR点云数据地物分类方法。该方法由多光谱Li DAR点云数据多波段融合、训练样本生成、基于通道注意力机制的Point Net++三维点云分类模型等内容构成。该方法提高了多光谱Li DAR数据的智能化解译水平与目标识别的自动化程度。具体研究内容如下:（1）多光谱Li DAR数据预处理。研究了多光谱Li DAR数据融合,数据标注,场景全覆盖的训练样本生成等预处理工作。为多光谱Li DAR数据的地物分类研究提供了有效的数据输入。（2）提出了基于SE-Point Net++的多光谱Li DAR点云地物分类算法。在理解Point Net++模型基础上,针对无用通道特征学习过程导致的计算成本高和分类精度低等问题,嵌入了通道注意力机制（Squeeze-and-Excitation block,SE-block）,构建了SEPoint Net++模型,提升网络架构的整体性能,能够充分顾及地物空间几何结构复杂性及地物光谱反映差异性,得到更为稳健的地物特征表达效果,达到高效智能解译的目的。（3）基于SE-Point Net++的多光谱Li DAR点云数据的地物分类实验。以Optech Titan机载多光谱Li DAR系统所采集的两套不同地区点云数据作为实验对象,讨论了输入数据类型与采样尺度策略对地物分类精度的影响,并通过与经典深度学习模型的对比实验,验证了SE-Point Net++模型在多光谱Li DAR数据地物分类的优越性。