建筑物作为大地震的重要承载体,其震害信息不仅是衡量灾区受灾程度的重要指标,而且是科学开展地震应急救援、灾情评估的重要依据。LiDAR点云在震后复杂场景中能表现高精度的地表三维信息和丰富的地物空间结构信息,目前,仅以点云为数据源进行灾区建筑物震害信息提取方法大多仍集中在传统的逐步分类提取,很难满足应急救援时效性以及遥感地物自动化智能化识别的需求。深度学习作为数据智能处理技术之一,能够从大数据中快速地训练模型,识别复杂的模式,自动提取重要合适的特征,舍弃与判别无关的因素,代替人为特征工程,非常适应点云高密度、高精度、大数据量的特点。但目前3D深度学习在大型地质、地震灾害点云场景进行目标分类识别的应用还较少,所以针对震后点云场景中建筑物震害识别问题,本文提出使用3D点云深度学习方法建立单体建筑物震害分类识别和震后点云场景分割模型,采用2010年海地震后机载LiDAR点云数据,基于PointNet和PointNet++3D深度学习网络进行了建筑物震害信息提取实验,主要研究工作如下:（1）结合传统点云震害建筑物提取和3D点云深度学习目标分类识别,分析了3D点云深度学习进行建筑物震害类型分类识别的可行性,对比了目前常见的点云深度学习单体分类和语义分割数据集,重点剖析了三维深度学习算法中的PointNet、PointNet++网络结构。（2）构建了建筑物震害信息识别数据集:在对实验区LiDAR点云数据进行CFS滤波以及归一化预处理基础上,结合震前震后影像和点云数据中建筑物破坏特征,将震害建筑物分为倒塌、局部倒塌以及未倒塌三种破坏类型,并在实验区进行分类样本选取标注,将数据集组织为HDF5格式。将震害点云分割场景划分为背景、植被、倒塌、局部倒塌以及未倒塌五个类别,并在预处理后的点云数据中选取标注,将实验数据组织为HDF5与Pickle格式。（3）在单体建筑物震害分类实验时,根据PointNet++网络特点以及倒塌、局部倒塌点云样本形状特征,提出了一种包括反距离插值、对称和顶面投影的样本增强方法。对选取的倒塌、局部倒塌分类样本经过样本增强处理后,增加了倒塌和局部倒塌建筑物样本数量,不仅丰富了建筑物样本破坏形态,而且降低了样本量不均匀对分类结果的影响。倒塌和局部倒塌的分类精度分别提高了30%和20%左右,模型总体平均分类精度和kappa系数提高了10%以上,倒塌与未倒塌、局部倒塌与未倒塌的分类精度差异从40%和30%降低到15%左右。（4）在基于点云的场景分割实验中,比较了PointNet以及PointNet++对于相同数据集的分割效果,并修改网络池化方式,对比研究了最大池化、均值池化以及组合池化对总体分割精度的影响。组合池化的分割精度比其他两种池化结果高3%左右,但整体差别不大,PointNet++整体分割精度比PointNet高出4%左右,并且在可视化结果中对于目标边界的确定更为准确。此外,单体分类模型和场景分割模型在同一震害场景应用研究表明:单体分类模型对于倒塌、局部倒塌、未倒塌都表现了较好的分类结果,PointNet、PointNet++对于植被、倒塌、局部倒塌、未倒塌四类目标地物的分割虽然没有完全与原始场景保持一致,但可视化结果较好,实验进一步验证了3D深度学习在震害点云场景理解中具有一定应用前景。