三维室外场景的语义分割算法涉及到分割和分类两个方面,它的目标是将三维点云数据分割成物体,并将物体正确地分类。有效的语义分割能够帮助计算机理解三维室外场景的内容,同时为虚拟现实,无人驾驶和城市建模等应用提供巨大的帮助。目前,三维语义分割算法的一个方向是先分割再分类,但是这样容易在多个步骤中产生累积误差;另一个方向是利用条件随机场同时进行分割与分类,并且能够利用一些先验知识来优化结果。但是这些方法中的条件随机场要么只依赖于二阶项,要么它的高阶项所依赖的先验知识过于单一和简单,无法刻画复杂室外场景中的先验知识。本文提出了一种基于类别相关先验知识的高阶条件随机场模型。该模型依赖于高阶条件随机场,更关键的是能够针对不同类别物体的先验知识,产生对应的高阶能量函数。我们的方法有效地描述三维室外场景中复杂的统计信息,以及不同类别物体先验知识之间的区别。我们将该模型至于能量函数最小化的框架之中,并且提出具体的一阶,二阶和基于类别相关先验信息的高阶能量函数来进行三维室外场景的语义分割。提出了具体的能量函数之后,我们探讨了能量函数的优化问题。对于二阶能量函数,它的优化算法比较成熟和高效,例如graph Cuts,和loopy belief propagation。但是对于高阶能量函数,它的优化问题则是非常具有挑战性的。本文采用了基于线性规划和最大流最小割的原始对偶能量优化算法,有效地解决了高阶能量函数的优化问题,最终获得我们三维室外场景的语义分割结果。为了验证我们算法的有效性,我们在一个非常有挑战性的雷达数据集上测试我们的算法,并提供定量和定性的结果。相比于其他方法,我们实验结果的平均F1得分达到0.82,高于其他最新方法的0.73的F1得分。