车载移动测量技术具有高精度、高密度、高效率的特点,能够获取城市场景中丰富的建筑、道路、杆状物等地物对象的空间信息,将其应用于城市空间信息采集中具有得天独厚的优势。然而相比车载移动测量硬件设备的迅猛发展,移动测量数据处理技术却严重滞后,成为了制约移动测量技术进一步推广应用的最大瓶颈。本文针对车载移动测量技术在城市测量应用中数据处理效率不高的问题,提出了基于车载移动测量技术的城市地物分类与信息提取技术的研究。深入地研究了海量车载数据的高效管理和调度方法、车载点云数据的层次化分割方法以及面向对象和卷积神经网络的点云分类方法,并基于点云分类结果实现城市场景的快速成图与三维重建,为基于移动测量技术的城市自动化成图与建模提供理论基础和实践依据。主要研究内容如下:对车载移动测量数据的高效管理调度技术进行研究,分别为轨迹、点云、全景数据设计索引数据结构。并在此基础之上,完成了多源数据的融合,不仅能够通过轨迹快速定位点云和全景数据,还实现了点云与全景数据的高精度配准和点云着色,为后续的分割和分类处理提供了基础数据结构。车载点云分割是点云分类、识别、信息提取与重建的基础。首先分析了目前常用点云分割方法在城市车载扫描环境下的适用性,并结合这几种分割方法提出了一种由粗到精、由易到难的层次化分割策略。该分割策略根据不同地物对象的特点选择最适用的分割方法,能够有效的从城市扫描场景中分割出地面、建筑、杆状物等典型的地物对象,为后续进一步的地物分类和提取操作奠定了基础。在车载点云分割基础上,讨论了针对杆状地物的面向对象分类方法。为了实现杆状地物的有效分类,研究了地物对象的特征描述方法以及特征选择方案,系统地研究了支持向量机SVM和随机森林分类方法,并通过了实验进行对比分析。同时,在研究分割对象特点的基础之上,将分割对象装换为二维图像,通过深度学习的方法完成了特征的自学习,并最终实现了基于卷积神经网络的点云数据分类。针对某些特殊地物难以从点云中提取的问题,引入了面向车载影像数据的目标检测方法。深入研究了基于影像进行目标检测的算法流程,并且探讨了两种改进算法。在检测出影像上的地物对象后,结合对应的点云深度图像进行绝对位置定位,最终完成基于车载影像的地物信息提取。在点云数据分类识别的基础之上,研究了针对不同地物的自动成果转化方法,建立了一套多层次智能化地物信息提取与重建策略。具体讨论了不同目标的地物在数字成图和三维建模应用中的处理方法并给出了相应的流程。在理论研究的基础之上,针对车载三维激光扫描点云数据处理流程,设计并开发了一套车载数据综合处理系统及面向测绘应用的软件插件。实现了本文算法与测绘工作无缝结合,为车载移动测量技术工程化应用的推广建立了系统平台基础。