题目：全波形激光雷达目标分类与系统搭建

全波形激光雷达是一种主动式遥感技术，可以实现对目标散射回波波形的完整记录，因而其不仅可以获得被测目标区域各脚点对应的高程值，以形成3D点云数据，还可以通过对回波波形进行分析，来提取更加丰富的目标特性，基于这些目标特性可以对目标分类进行研究。本文围绕全波形激光雷达探测技术，对全波形激光雷达回波数据处理，基于全波形回波数据的地形分类，全波形激光雷达系统搭建和数据采集，以及基于全波形回波的目标反射率估计这四个方面进行了理论研究与实验验证，具体内容如下：

1．针对全波形激光雷达回波数据解算算法不完善，信息提取不丰富的问题，本文利用高斯分解法来提取回波的多个特征值，包括脉冲个数，峰值，脉冲宽度，能量分位值等。

2．对比传统地形分类方法，提出基于机器学习算法（SVM和GP）的分类方法，利用全波形回波数据，对地形进行分类。首先是对北京地区的地形进行了二分类研究，利用北京地区的ICESat/GLAS全波形激光雷达回波数据，提取全波形回波的多个特征作为分类输入特征，利用SVM分类算法训练分类器对北京地区地形进行预测分类；然后是对雅各布港及其周围部分地区进行了多分类研究，利用雅各布港及其周围部分地区的ICESat/GLAS回波数据，提取回波的多个特征作为分类输入特征，利用高斯过程分类方法对其地形进行了多分类研究。两者的分类精度都达到了90%以上。

3．搭建实验室全波形激光雷达系统，为本课题提出的回波处理算法提供真实的回波数据。设计实验光路，使得发射脉冲和接收脉冲同轴，同时对探测到的回波信号进行放大，使得系统能够接收到更远距离和更大角度下的回波，进行多组实验，采集并存储不同目标在不同条件下的回波数据。

4．基于实验室全波形激光雷达系统采集得到的目标回波数据，研究目标的回波信号与反射率特性之间的映射关系，提出非朗伯体模型，求取不同目标的反射率。

论文所使用的回波数据处理方法为研究目标特性与回波特征关系提供了有效的手段，提出的基于机器学习的全波形回波分类方法，为利用全波形回波数据进行分类研究提供了先进和精确的方法，所搭建的实验室全波形激光雷达系统为后续的全波形激光雷达系统优化设计提供了必要的参数支持，所提出的非朗伯体模型为目标反射率的求取提供了一种新的思路。