激光雷达凭借其精确的测距能力,越来越多地被应用在地质测绘、三维建模、自动驾驶等领域。而随着深度学习处理激光雷达数据能力地提高,激光雷达数据的需求也在不断增加。与图像数据相比,激光雷达数据在采集及后期处理成本要高得多,并且激光雷达数据具有稀疏性和无序性,使得对数据的标注难度较大。因此如何高效地生成激光雷达数据具有重要的研究意义。此外,不同类型的激光雷达的工作原理不同,得到的激光雷达数据会有较大的差异性。为了能够对不同类型的激光雷达有较好的适应性,深度学习模型需要在不同的激光雷达数据上进行训练。为了高效地获取不同类型的激光雷达数据和发挥现有数据的优势,利用现有的激光雷达数据来模拟生成不同类型的激光雷达数据成为一种可行的方案。在此背景下,本文提出了两种不同的激光雷达点云数据仿真模拟方法。本文的主要工作内容包括:1、本文提出了一种基于高密度点云数据下采样的多线激光雷达点云仿真模拟。该方法首先需要对激光雷达的主要参数进行仿真建模,模型参数为多线激光雷达的分辨率、探测距离、线数;然后对高密度点云数据进行下采样,生成具有原始高密度激光雷达数据特性和激光雷达模型特点的仿真数据。该方法能够在已有的激光雷达数据上,根据对不同类型激光雷达的需要进行仿真数据生成。2、本文提出了一种基于深度学习上采样的多线激光雷达点云仿真模拟。该方法对首先原有的低密度激光雷达数据进行球面投影,再通过以自编码器为主要架构的神经网络对激光雷达数据进行特征学习,并对特征进行上采样,最终生成较高密度的激光雷达数据。该方法模拟得到的数据不仅在密度上得到增强而且能够保留原有激光雷达数据的特性。本文在不同的激光雷达采集的数据集上对前述研究内容进行实验,并对实验结果进行定量定性分析。经过实验验证,本文提出的激光雷达点云仿真模拟方法具有较好的可靠性与通用性。