随着三维点云采集技术的日益进步,三维点云数据逐渐走进了人们的视野中,被越来越多的研究学者们所关注,在三维点云相关的处理技术中,分割技术非常重要,有效的分割结果是后续分类识别、模型重建等任务的基础,室外场景是非常复杂和丰富的,室外场景点云数据量很大,噪声污染也较多,关于室外场景的三维点云数据分割是一项复杂且有意义的工作,本文在此方面做了主要研究。对于室外场景三维点云数据的分割,本文提出了一种基于二维高斯过程回归的分割方法。首先,基于极坐标建立扇形栅格,将激光扫描仪所收集到的三维点云数据全部划分储存,选出每个栅格中的候选地面点,组成候选点集;然后,利用二维高斯过程回归对候选地面点进行拟合,通过在线学习的方式和马氏距离的判断条件,从最中心开始,由内及外地逐一遍历候选地面点集,选出符合条件的种子点,在线更新地面模型,利用极大似然估计法优化超参数,同时运用稀疏化的处理方式,降低算法的时间复杂度;接着,判断每个点的真实高度与最终地面模型所预测高度之间的相对距离是否满足给定的阈值条件,可以获得最终的地面点;最后,运用DBSCAN聚类算法,实现非地面点云的分割。为了检验本文方法的分割效果,选取四幅室外场景分别进行地面提取和非地面点云分割实验。针对地面提取,将本文方法与基于分块线提取的分割算法相比较,实验结果说明本文方法具有较高的准确率,而且安全性较好;针对非地面点云分割,实验结果表明该方法具有可靠性与有效性。