机载激光扫描技术作为一种主动式的测量手段,能够全天时、全天候的对地观测,同时具有一定的植被穿透能力,在大范围三维地理数据的快速获取方面具有优势,并已广泛应用于林业调查、基础测绘、电力巡检等领域。相比硬件系统的快速发展,点云的智能化处理手段较为落后。在实际生产作业中,海量机载激光点云的分类工作消耗了大量的人力物力。针对这一问题,国内外学者已对机载激光点云的自动化分类方法进行了很多深入的研究,并取得了一定的成果。然而,现有的方法大多受限于特定的场景和低层次的手工特征,不能满足实际应用所需的精度和稳定性。近几年,深度学习突破了传统机器学习方法过度依赖手工特征的困难,并在多种图像识别任务中取得了巨大成功。在此背景下,为了更好的实现三维点云的自动化分类,本文结合深度学习技术对机载激光点云的场景识别、滤波以及精细分类方法进行了深入研究。主要研究内容如下:（1）机载激光点云场景识别可为诸如滤波等其它点云分类任务提供场景先验信息。然而,目前缺乏此方面系统性的研究。针对这一问题,首次提出了一种基于多视多模特征图深度融合的点云场景识别方法。为了便于直接利用现有成熟的二维卷积神经网络以及其在大型图像数据集上预训练的模型参数,提出了一种点云多视多模特征图映射方法。该方法沿多个视角将点云映射为一系列的二维多模态特征图。相比单视图,多视图能够对点云的三维信息进行更加完整的编码。此外,为了能够更好的融合多视特征图,设计了一种两级融合多视卷积神经网络。该网络同时嵌入了特征级和决策级融合策略。在数据集上的对比实验表明:本文提出的点云场景识别方法优于其它三种改进的经典识别方法,能够准确的识别出九类三维地形场景。（2）机载激光点云滤波是高效获取高精度数字高程模型的关键。针对现有基于深度学习的点云滤波方法效率低的问题,提出了一种基于变分辨率体素格网与稀疏卷积的点云滤波方法。为了使滤波模型能够更加灵活的应对复杂多变的地形场景,提出了一种点云变分辨率体素格网生成方法。该方法首先对原始点云中心区外的空间进行环形压缩,然后将压缩后的点云规则化为变分辨率体素格网。该变分辨率体素格网能在保证中心区具有较高分辨率的同时覆盖更多的空间上下文信息。此外,为了能够处理更大尺寸的体素格网以及采用更大规模的网络结构,基于子流型稀疏卷积搭建了编码-解码结构的三维语义分割网络。在测试集上的对比实验表明:本文提出的点云滤波方法的处理效率大幅领先于已有的深度学习滤波方法。同时,在地形特征保留及自动化程度方面,优于现有成熟的商业软件。（3）机载激光点云精细分类是精细三维重建、电力走廊巡检以及三维高精地图生产等应用的基础。现有基于深度学习的点云精细分类方法往往只使用单一结构的网络或单一模态的输入,对相似、复杂几何形态地物的区分能力不足。针对这一问题,提出了一种基于二三维集成卷积神经网络的点云精细分类方法。为了提高模型区分几何形态相似地物的能力,设计了一种嵌入多模态融合机制的三维卷积网络。为了省去特征图的预生成步骤,设计了一种能够在内部实现三维到二维变换的二维多视卷积网络。此外,为了消除集成网络分类结果中存在的局部噪声,提出了一种基于全连接条件随机场的后处理方法。在ISPRS公共数据集上的对比实验表明:本文提出的点云精细分类方法测试结果的平均F1值和平均类准确率分别超越了先前最好的成绩。本文研究的大场景机载激光点云的多级别分类方法有助于提升激光点云数据处理的智能化水平并推动机载激光扫描技术在更多领域的应用。