城市精细化三维模型是数字中国的基础设施,城市建筑三维模型更是各类城市经济社会大数据关联、汇聚和融合的空间载体,已经广泛应用于智慧城市管理、社会综合治理和应急决策指挥等领域。目前城市场景三维重建主要以多视影像或点云数据为主进行交互编辑,存在效率低下、工作量大、成本高等问题,城市建筑三维模型的自动化快速重建技术亟待突破:以二维影像为主的建模方式需要人工识别和提取场景重建所需的准确的三维矢量信息;单平台的激光点云往往难以获取场景完备的点云数据,而且受遮挡、视场等限制导致场景存在细节或语义信息的缺失,导致基于点云的目标识别以及拓扑重建存在极大困难。有效融合影像及点云数据以提供更为完备的目标及结构特征描述将是解决精细模型高自动化重建的关键解决思路,但现有两类数据的融合目前还主要停留在不同平台的影像与点云间的高精度纹理映射层次上,两类异构多源数据的特征级甚至决策级的融合亟待进一步深化研究。针对以上问题,本论文针对近地面激光多传感器多源信息支撑下的城市目标的高自动化可靠重建问题,以近地面多平台激光扫描系统获取的点云、影像、轨迹信息等多源数据为研究对象,结合特征表达与深度学习等领域的理论与方法,研究并建立一种面向新型低空多平台激光扫描多源数据的高效率、高可信度、具有可拓展性的城市三维重建理论与方法新体系,达到城市目标的高自动化程度精细重建的目的。主要研究内容和取得成果如下:为支撑点云及影像高效并行的基元提取、目标识别和结构感知等后续处理,在深入研究并分析了近地面多平台扫描点云、影像、轨迹等多源数据的空间分布特征与处理需求分析基础上,结合分布式数据库HBase,研究并提出了基于地理四叉树与二级随机八叉树的Key-Value分布式数据库多源数据索引构建与分布式存储方法,实现了基于分布式数据库的多源数据动态调度、空间查询、动态更新等。通过实验验证了本文方法的有效性,能够满足后续多源数据联合处理需求。在现有点云配准融合方法分析基础上,利用城市点云中存在大量平面特征,研究并提出了一种以低空无人机载点云作为地理融合基准,利用多尺度平面基元约束的分段车载点云、分站静态扫描点云与无人机载点云的全自动配准与融合方法。具体阐述了该方法的平面基元提取、同名匹配查找、多源点云配准策略等关键步骤。通过实验定量及定性的分析了本文算法能够支持城市近地面多平台点云的高精度配准融合。深入研究现有点云的分类分类方法和基于影像的目标识别方法,通过有机结合规则集、随机森林与深度学习Faster-RCNN网络构建了一种针对地面、建筑、植被、车辆、杆状目标以及建筑细节窗户等目标的多层次分类网络。通过实验证明,该方法能够有效结合点云几何以及影像纹理等多维特征,从多平台点云以及多视影像中可靠的提取兴趣目标,并验证了基于深度学习的城市场景中语义结构感知的可行性。以城市场景重建中的建筑重建为主要研究核心,在多源数据几何特性分析基础上,以数据驱动重建为核心方法,将基于点云的建筑主体结构拓扑图重建与基于影像的准确边界约束相结合,系统研究了一种联合机载激光点云、地面激光点云以及倾斜摄影等多源数据的城市建筑三维重建方法。充分发挥并有机结合各类数据的点、线、面特征优势,建立了一套能够支持建筑物体框高自动可靠重建的解决方案,为下一步的精细重建交互编辑提供了高精度的模型框架基准。