点云分类（标注）根据采取的方法和策略可以分为阶层式分类和同时分类方法。
阶层式分类就是将任务分为两类：滤波和对象分类。滤波就是将点云分为地面点和非地面点，其中常用的算法有数学形态学算法，坡度滤波算法，不规则三角网渐进加密算法，移动曲面拟合算法和迭代线性最小二乘内插法，布料模拟算法等。在对象分类计算，阶层式分类将非地面点分为建筑物点和植被等多个类别。例如Meng等人采用多向滤波算法移除点云中地面点，然后采用基于形态的建筑物检测方法，依据建筑物的形态特征移除剩余的非建筑物点，从而将非地面点分割为建筑物和非建筑物。Xu等人提出了一种基于多实体的点云分类方法，该方法首先将点云数据分为地面点和非地面点，然后将获得的非地面点分割为平面段、平均位移段和散乱点，最后将这三种类型的数据按照各自的分类方式进行分类。总之，在使用阶层式分类方法进行点云分类时，通常需要为每个类设置相应的判别方法，从而将点云划分为多个实例。
同时分类方法依据点的特征将点云直接分类为地面、建筑物和植被等多个类别，并且不需要设定太多的假设。例如，Niemeyer等人提出了一种基于条件随机场的点云分类方法，成功的将点云数据直接划分为地面、建筑物和植被三类，之后Niemeyer等人又将条件随机场和随机森林相结合，获得了更可靠的分类效果。
根据点云特征提取的基本单元，可以分为基于点的分类方法和基于分割段的分类方法。
机器学习方法
在点云数据的分类阶段，传统的分类方法通过手动定义一系列的判定规则来判定点的类别。例如，我们可以假定在近邻区域内地面点的高度最小，并以此作为判定规则，标记出所有的地面点。然而，在许多情况下，判定规则是难以设定的。为了解决这个问题，机器学习被用于实现点云分类。这类方法的基本思想是利用训练集训练一个分类器，然后使用分类器对点云数据进行分类。常用的分类器有：支持向量机[19]，随机森林[20]，AdaBoost[21]，JointBoost[12]，朴素贝叶斯分类器[22]和最大期望算法[23]等。其中，随机森林分类器由于出色的性能，受到了越来越多的关注[24]。同时，现有的研究表明，使用随机森林分类器能够分析特征的重要性，移除不相关的特征，提高数据分类的性能[25]。Sun[26]和 Guan[27]等人已将随机森林应用到了点云数据的特征选择中，并取得较好的分类效果。