近年来,随着LIDAR点云获取设备的精度提高,采集到的LIDAR点云数据呈几何增长,达到百万量级。精密设备采集到的LIDAR点云数据细节固然是十分丰富,适合于表达形状复杂的非规则几何体和重构特征丰富的地形地貌,但是,面对庞大的LIDAR点云数据处理,现存的算法、现有的数据处理软件都将受到严峻挑战。海量的点云数据会使数据处理速度非常缓慢,甚至不能实现。因此,在保留点云细节特征的前提下,对LIDAR点云数据进行数据精简,有着十分重要的现实意义。本文摒弃现有的简化算法中常用的曲率、高差、密度、表面积、离散度等地形形态特征参数,提出了基于空间自相关的LIDAR点云简化方法,将空间自相关理论引用到LIDAR点云简化中,针对大规模LIDAR地面点云进行简化,以高简化率的点云构建高精度DEM。首先,选取具有不同地形特征的实验区,对海量的LIDAR地面点云数据做预处理,剔除非地表点。用包围盒分块思想分割实验区点云,计算每一个包围盒内点云的空间自相关指标值,对包围盒进行定性分类,根据每一类包围盒内点云的空间自相关特性制定采样规则,对空间自相关性高的包围盒只保留离中心点最近的点,对空间自相关性较低的包围盒保留离中心点最近的点、高程最大值点、高程最小值点。然后,利用交叉验证法优化采样参数,采用不同包围盒分割参数和采样阈值,制定多个点云空间自相关采样方案对实验区点云进行简化,综合评价其点云简化程度和简化质量,选择简化率较高且DEM精度较高的成果,反推出最优简化参数,以构建空间自相关点云简化方法,指导包围盒内点云的简化,合并包围盒,实现对整个实验区点云数据的简化。然后,以体素格网简化、均匀采样简化两种常用的点云简化方法作为比较对象,用点云简化率和DEM精度作为评价指标,从简化率和简化后点云重构DEM的误差等方面评价简化方法在不同地形下的简化效果;最后,构建DEM地形描述误差场,分析简化后点云重构DEM的误差空间分布情况;提取了三种简化方法下重构DEM的骨架线,分别与原始点云构建DEM提取的骨架线作比较,分析不同地形下骨架线的吻合程度。得到本文构建的点云简化方法不论是在简化率上还是在DEM精度上都优于体素格网简化方法和均匀采样简化方法;利用本文提出的点云简化方法简化重构的DEM,地形描述误差空间分布均匀,DEM提取的地形特征线的保留情况较好,与原始DEM骨架线几乎完全贴合。综上,本文所提的基于空间自相关的LIDAR点云简化方法,对大规模地面点云数据运用包围盒算法进行了分割处理,提高了处理效率;采用具有不同地形特征的三个实验区进行实验,与两种常用的点云简化方法相对比,在简化率、DEM精度、地形匹配度等方面均有较大的优势,并且具有较强的地形适应性。本文为LIDAR点云简化提供了新的思路,对现存的LIDAR点云简化方法进行了补充,简单高效的实现了以少量点云构建高精度DEM。