Luận văn tập trung nghiên cứu và đánh giá hiệu quả của một số kỹ thuật phân loại dữ liệu tiên tiến trong việc xử lý đám mây điểm LIDAR. Các phương pháp được khảo sát bao gồm các thuật toán học máy truyền thống như Random Forest, Support Vector Machine và các mô hình học sâu dựa trên kiến trúc PointNet và PointNet++. Dữ liệu đầu vào là các đám mây điểm LIDAR thu thập từ nhiều khu vực địa hình khác nhau, được tiền xử lý để loại bỏ nhiễu và trích xuất đặc trưng hình học, cường độ phản hồi. Kết quả thực nghiệm cho thấy các mô hình học sâu đạt độ chính xác tổng thể cao hơn so với các phương pháp truyền thống, đặc biệt trong việc phân biệt các lớp đối tượng phức tạp như thực vật thấp và mặt đất gồ ghề. Tuy nhiên, Random Forest lại cho thấy ưu thế về tốc độ huấn luyện và khả năng khái quát hóa trên các tập dữ liệu có kích thước nhỏ. Nghiên cứu đề xuất một quy trình phân loại kết hợp nhằm tối ưu hóa độ chính xác và hiệu suất tính toán cho các ứng dụng thực tế trong lĩnh vực địa chính và quản lý đô thị.