近年来,三维点云数据的获取技术已成为测绘遥感领域的重要技术革新,机载LiDAR点云数据和影像密集匹配点云数据均能够直接、快速获取地表的高精度三维坐标。基于三维点云数据的高精度DEM提取技术已成为极具吸引力的研究方向。通常三维点云数据中除了包含地面点之外,还包含建筑物、植被和车辆等非地面点。为了从三维点云数据中提取地面点以生产DEM,就需要区分开地面点和非地面点,这就是点云滤波。由于地形场景的复杂性,面向生产的高精度自动化滤波技术仍不成熟,三维点云数据滤波与其质量控制消耗了整个后处理时间的60%-80%。另一方面,三维点云的密度越来越高、数据量越来越大,研究针对大范围海量点云数据的高效处理算法具有重要应用价值。本文以机载LiDAR点云与影像密集匹配点云数据智能化滤波为研究目标,设计三维点云到三维地形的智能化提取方案。论文主要研究内容包括：1)探索快速有效的三维点云数据噪声剔除方法。提出一种基于离散粗糙度估计的点云噪声剔除算法,算法由离散点不规则三角网的角度信息估计离散点的局部粗糙度,并根据局部范围内的粗糙度统计信息提取噪声点,该算法在顾及点云局部平滑性的同时能以较快的速度完成去噪工作。2)场景知识引导的三维点云数据滤波算法。提出了一种场景知识引导下的高质量LiDAR点云滤波算法,该算法自动识别点云数据的场景特征并提取地形结构特征,根据场景知识和地形特征自适应调整滤波参数和策略,滤波过程无需人工干预。3)速度与质量兼顾的三维点云数据滤波算法。借鉴半全局影像密集匹配算法(SGM),本文提出一种针对海量三维点云进行快速滤波处理的半全局滤波算法,该方法将地形特征的提取建模成一种能量最小的优化标记过程,并从多个方向独立动态规划求解,这使得该方法容易用GPU并行实现,从而得到一个既能保证质量又能并行加速的快速滤波算法。4)针对影像密集匹配点云的滤波算法。提出一种基于交叉线元分割的密集匹配点云滤波算法,算法首先采用扫描线分割策略将点云分割成不同的分割块,以此提高点云地物与地表的区分度,然后采用MRF优化方程分类提取地面点。