در دو دهه اخیر استفاده از لیزر اسکنرهای هوایی و یا بعبارتی سنجنده لیدار در کاربردهای گوناگون مهندسی ژئوماتیک و نقشه برداری رشد فزاینده ای پیدا کرده است. دلیل اصلی این امر قابلیت اعتماد و صحت بالای داده های خروجی حاصل از این نوع سنجنده می باشد. خروجی لیدار، ابرنقاط سه-بعدی طبقه بندی نشده و غیرساختاریافته می باشد. بنابراین مهمترین پردازشی که روی این داده ها می بایست انجام گیرد، طبقه بندی شان در قالب کلاس های متمایز و جدا از هم می باشد. داده های لیدار طبقه بندی شده به عنوان ورودی در پردازش های مربوط به تولید مدلهای سه بعدی شهری بکارگرفته می شوند. این مدلهای سه بعدی به متخصصان حوزه های مختلف مدیریت شهری، صنعت توریسم و مدیریت بحران در تصمیم گیری شان یاری می رساند. داده های لیدار دارای یکسری ویژگی های منحصربفرد می باشند که در فرآیند طبقه بندی شان نقش اساسی ایفا می کنند. مهمترین ویژگی آنها ویژگی های هندسی شان می باشد که از پردازش بر روی موقعیت سه بعدی نقاط بدست می آیند. از جمله این پردازشها استخراج صفحه از ابرنقاط می باشد که بکمک تبدیل هاف سه بعدی انجام می گیرد. در پیاده سازی تبدیل هاف سه بعدی از حالت تصادفی آن بهره گرفته شده است و سعی بر این بوده است که نقاطی از مجموع کل نقاط بدست بیایند که با احتمال بالایی متعلق به صفحات داخل ابرنقاط باشند. دسته دیگر ویژگیهای هندسی با استفاده از پارامترهای تنسور ساختاری بر روی کل نقاط بدست می آید. این دسته پارامترهای تنسور ساختاری بسیار متنوع و متعدد می باشند. بدست آوردن ترکیبی مناسب از این پارامترهای که در ترکیب با سایر ویژگی های بردار ویژگی نتیجه طبقه بندی داده های لیدار را افزایش دهند یکی از چالش های این پایان نامه بوده است و در نهایت بهترین ترکیب با نتیجه دقت طبقه بندی بالا حاصل شده است. از سال 2004 ظهور نسل جدیدی از سنجنده های لیدار با نام لیدار موج-پیوسته امکان استخراج ویژگی های جدیدی با ماهیتی فیزیکی را فراهم نمود. این ویژگی های جدید حاصل پردازش سیگنالی اشعه لیزر گسیل شده از سنجنده می باشد که پس از طی مسافت بین سنجنده و سطح زمین و گذر از اشیا گوناگون دچار اعوجاج گشته و پروفیلی یک بعدی از مسیر سیر خود ایجاد می کنند. از جمله این ویژگی های فیزیکی می توان به دامنه پالس، پهنای پالس و شماره پالس بازگشتی اشاره نمود. در این پایان نامه الگوریتمی توسعه داده شده است که این دو دسته ویژگی، هندسی و فیزیکی، را با هم ترکیب کرده و فضای ویژگی مورد نیاز جهت طبقه بندی را فراهم می کند. اهمیت این موضوع در این است که تا به حال چنین ترکیبی در طبقه بندی داده های لیدار بکارگرفته نشده است. بردار ویژگی تشکیل شده برای هر نقطه به عنوان ورودی به طبقه بندی کننده ماشین بردار پشتیبان معرفی شده و نقاط را در سه کلاس زمین لخت، ساختمان و پوشش گیاهی طبقه بندی می کند. ماشین بردار پشتیبان در طبقه بندی داده های دارای حجم بالا به دقت های بسیار خوبی می رسد. از این رو برای طبقه بندی ابرنقاط حجیم لیدار روش ایده الی محسوب می گردد. برای ارزیابی دقت طبقه بندی کننده از سه معیار گوناگون بهره می گیریم. این سه معیار شامل دقت کلی، دقت میانگین و ضریب کاپا می باشند. با استفاده از روش توسعه یافته در این پایان نامه به دقت کلی 89%، دقت میانگین 88.14% و ضریب کاپا 83.31% در طبقه بندی می رسیم.