在复杂道路环境下的车载道路场景三维点云自动分类是一个很有挑战性的任务。该任务旨在自动地为点云中的每个点分配独一无二的类别标签,接着这些类别标签可以作为线索进一步辅助完成道路场景中语义分析和场景理解等任务。取代传统方法中探索式地提取人工设计特征的方案,本研究提出了一个端到端的基于八叉树数据结构的全卷积神经网络对城市道路环境下的三维点云数据进行分类。本研究工作一共有四个主要贡献。第一个贡献是OctNet和全卷积神经网络的结合和深层次的使用,相较于基于密集体素格网的三维卷积神经网络,大幅度地减少了计算量和内存需求。第二个贡献是通过修正交叉熵损失函数,使得基于八叉树的网络结构在解决不平衡的类别分布问题上的能力得到了提升。第三个贡献是通过在网络中添加Inception-ResNet结构块,使得本文的三维卷积神经网络能有效地对包含多种尺度目标的场景进行训练与分类,并且一定程度上提升分类的精度。最后一个贡献是本研究介绍了一个新的开源数据集——黄石路数据集。该数据集有10种不同的目标类别,可作为三维点云分类的公开数据集。本文选取3个具有代表性的有着不同覆盖面积、点数和类别的数据集:Semantic3D、WHU_MLS数据集Ⅰ和数据集Ⅱ、黄石路数据集,来评估本研究提出的网络模型的性能。在三个数据集上的实验结果表明本研究提出的方法获得了良好的点云分类精度:在Semantic3D数据集上获得了89.4%的精度,在WHU_MLS数据集Ⅰ和Ⅱ上分别获得了82.9%和91.4%的精度,在黄石路数据集上获得了94%的精度。因此,实验验证了本文提出的深度学习算法能有效地对城市道路环境车载和静态激光三维密集点云进行自动分类。