随着人类社会对自然环境认识的不断加深,当代科学越加重视在社会发展的同时,同样重视自然环境的可持续发展,维护人类与自然的平衡关系。其中,野外树木与植被检测非常重要。密切分析树木与植被的动态变化,能够帮助人类更好的应对环境问题。随着激光雷达技术和深度学习算法的大力发展,人类开始尝试运用这些技术完成树木检测任务。但室外大场景三维点云固有的大体量数据以及树木具有十分复杂的尖锐特征的特性,给这项任务的创新发展带来了巨大的阻碍。因此,本文着力解决数据量庞大的大场景三维点云分割和树木检测工具实现这两方面问题,做出如下工作:（1）为了提高网络处理大场景三维点云的效率,在提取关键点时,采用了时间复杂度为O（1）的随机采样算法。为了弥补随机采样算法带来的丢失关键信息的问题,本文采用多层次特征提取的处理方式,不断增加局部邻域的感受野,从而尽可能的持有更多关键特征信息。（2）本文专注于树木检测,即只关心预测结果中树木对象的分割准确率。针对树木对象具有丰富的边角尖锐信息的特性,本文在训练深度学习网络时提取了点云对象的法向量信息,丰富数据特征,从而为最终的预测结果提供支持。（3）为方便树木检测人员工作,本文将提出的算法封装成树木检测工具。该工具在提供预置算法模型的同时,还支持用户自定义部分超参数,训练更加符合自己需要的模型。树木检测工具主要使用Java语言实现,为整个处理流程的效率提供重要支持。