智能感知复杂三维空间场景是遥感科学与计算机科学研究的热点问题之一，能为实景三维建设、数字孪生和新型数字测绘等应用提供重要技术支撑。其中，点云语义分割是基础性的智能感知任务，寻求对空间场景细粒度的语义解析。当前，点云语义分割主要通过全监督的方式进行表征学习，提取并挖掘地物的内在结构和模式。然而，此类方法需要标注大量高质量的点云数据进行模型训练，其成本高昂且费时。近年来，一些研究人员利用弱监督学习分割点云来缓解点云全监督范式的标注成本过高的问题，取得了良好的进展，实现了若干在少或弱标注数据情形点云高效表征学习的模型，取得了与全监督模型相当的表现。但点云弱监督语义分割模型仍缺乏研究如何对复杂三维空间场景高效弱或少标注的方案，以及如何在弱监督下对复杂点云非均衡分布的特性进行高效表征学习。
针对这些问题，本论文提出一种符合实景三维场景特性的弱标注方案和顾及点云长尾分布的弱监督语义分割方法。首先，设计一种顾及点云长尾分布且地物类型全覆盖的弱标注方案，提高点云弱标注的效率和质量。其次，提出基于自适应自学习理论的弱监督语义分割模型，通过研究基于各类样本特性筛选伪标注的方法，获取高质量的伪标注，提高模型的表征学习能力。最后，提出研究解决长尾问题的流形混合方法和解耦训练策略，缓解模型在尾部类表现欠佳的问题，并构建一种基于互助学习的松散耦合模型集成提出的长尾和自学习模块。本研究有望提供一种高效快速标注的、地物分割精度良好且均衡的三维场景感知框架，促进人工智能技术在复杂三维场景智能感知的深入应用，为实景三维建设和数字孪生等国家重大需求提供理论和技术支撑。