街道场景识别在自动驾驶和城市虚拟化中有着重要的应用，汽车自动驾驶时需要识别街道上的路面、房屋、树、行人等，城市虚拟化是把城市街道中的实物场景用虚拟的三维模型代替，因此首先要识别场景中的各个真实物体。　　现存的利用三维点云做场景识别的方法有两个问题:特征选取的过于复杂，导致训练和识别的计算量太大，并且训练得到的分类器的通用性不好。本文提供了一种基于超级块(Super-Segment)的三维场景分割和识别的方法，基于超级块的特征简单容易，减少了训练识别的时间，同时也提高了分类器的适用性。　　本文采用的方法是:首先用RANSAC提取平面的方法提取出场景中地面，我们的算法对有坡度的地面也有很好的效果;然后根据点的相邻性，把场景中的点用K-D Tree分成块;接着提取块的平面特征，根据平面特性合并块，构成超级块;计算超级块的高度、投影等特征，取一部分数据用ANN和AdaBoost算法训练得到分类器;用得到的分类器识别场景中的物体。　　本文分别使用ANN和Boost算法训练和识别场景，ANN的总识别率为90.9％(precision)，Boost的总识别率为93.7％(precision)。各个类别中，建筑物、栅栏和树的识别率比其他论文的结果好。