林区的数字高程模型(Digital Elevation Model,DEM)在生态学、地学、水文等多个重要领域都具有广泛的应用。机载激光雷达技术(Light Detection and Ranging,LiDAR)受光照、温度、季节等因素影响较小,能够快速获取高精度、高分辨率的真实地面三维坐标数据,成为获取大面积森林地区高精度DEM的重要手段。点云滤波是机载LiDAR数据所有应用的前提和关键步骤,一直以来是各测绘领域和计算机领域研究焦点。近年来,各类滤波算法的不断发展提高了机载LiDAR数据处理的质量和效率。然而,目前大部分滤波算法在地形相对平坦、环境简单的情况下滤波效果较好,在地形陡峭、不连续、环境复杂的林区滤波精度不高。因此,研究适用于林区的机载LiDAR点云滤波方法具有十分重要意义。本文在充分评价和分析现有机载LiDAR点云滤波算法的基础上,针对经典滤波算法在森林地区不适用的原因,提出结合增加种子点数量和提高阈值适应性的滤波策略,从而提高滤波算法在森林地区的可行性和高效性。研究主要从以下四方面展开:(1)地面种子点获取。针对机载LiDAR系统在植被覆盖密集的森林地区获取到的数据中地面点较少的问题,利用形态学开运算能够获取相对低点的特性,并顾及结构元素对开运算结果的影响,构建出多尺度形态学开运算获取地面种子点的方法。利用不同尺寸的结构元素对点云进行形态学开运算能够获取大量地面种子点,从而构建出精度更高的初始地面参考面,并能减少后续滤波过程中的误差累积,削弱了原始数据质量对滤波算法性能的影响。(2)非地面点剔除。一般而言,获取到的地面种子点中可能包含非地面点(异常点)。针对此问题,提出利用稳健的z-score剔除种子点中非地面点的方法。本文以统计学中标准z分数估计量为异常值剔除框架,引入两个稳健的统计量提高标准z分数的崩溃点,从而提高z-score方法抵抗异常值干扰的能力,在剔除真正异常值的同时减少对地面点的误剔除。(3)自适应坡度阈值建立。针对经典滤波算法在地势起伏较大、地形复杂的森林地区容易破坏地形结构和误分类的问题,提出建立自适应坡度阈值的滤波方法。在滤波阶段,考虑坡度的自适应残差阈值会随着地形坡度的变化而改变。一方面,减少了固定阈值会把复杂地形的高处当作地物点滤除从而破坏地形结构的风险;另一方面,能够正确地选择更多地面点,提高了每一层地面参考面的精度。(4)实验验证。本文采用Ⅰ类误差、Ⅱ类误差、总误差和kappa系数为精度评价指标。实验第一部分以ISPRS的6组山区基准数据为研究对象,通过单参数和最优参数实验,证明了本文算法参数设置的不敏感性和运行的高效性。通过与经典的多分辨率层次滤波方法(MHC)以及近五年提出的15种滤波算法进行比较得知,本文提出的新方法整体滤波精度最高,平均总误差为1.88%,比传统滤波方法至少精确35.3%,证明了新方法在山区的可靠性和稳健性。实验第二部分以6组不同地形特征和植被覆盖度的高密度森林数据为研究对象,并与4种常用的滤波方法(形态学滤波方法(MF)、渐进加密TIN滤波方法(PTD)、改进的PTD方法(IPTD)和布料模拟滤波方法(CSF))进行详细的比较。结果表明:新方法的整体精度最高,平均总误差和kappa系数分为6.82%和85.61%。新方法构建的DEM精度比其它方法平均高约40%,且视觉上与标准DEM最相似,证明了新方法更适应森林地区。实验第三部分借助ISPRS基准数据讨论了三个创新点的有效性,结果表明三个创新点增强了滤波方法针对各种植被覆盖度和地形特征的适应性,准确性和稳健性。