فیلترکردن ابرنقطه حاصل از فتوگرامتری رقومی و نیز داده‌های LiDAR یا حذف عوارض غیرزمینی و رسیدن به سطح زمین با هدف تولید DTM صورت می‌گیرد. روش‌های متنوعی توسط محققین مختلف به منظور تفکیک نقاط زمینی و غیرزمینی در داده ابرنقاط پیشنهاد شده است. اکثر روشهای کاملا اتوماتیک یک نقطه ضعف مشترک دارند و آن کارائی آنها فقط برای نوع خاصی از سطح زمین می‌باشد. همچنین، اکثر این الگوریتم‌ها در مناظر ساده نتایج خوبی دارند و در مناظر پیچیده با مشکلاتی مواجه می‌گردند. در این مقاله روشهای فیلترکردن ابرنقاط در قالب سه گروه: اول روشهای سنتی شامل روشهای شیب مبنا، سطح مبنا، مورفولوژی، TIN، قطعه‌بندی و غیره، دوم روشهائی که الگوریتم‌های  خاصی را مورد بررسی قرار داده و یا الگوریتم‌های  موجود را بهبود داده اند و سعی در افزایش کارائی آنها داشته اند، و سوم روشهای فیلترکردن مبتنی بر تکنیکهای نوین یادگیری ماشین و یادگیری عمیق، مورد بررسی قرار گرفته و تجزیه و تحلیل جامعی از نحوه عملکرد این روشها بعمل آمده، چالش ها و مشکلات اجرائی آنها مورد بررسی قرار گرفته و روش هائی که نسبت به سایر روشهای فیلترکردن، کارائی بالاتری برای نواحی مختلف کوهستانی، جنگلی، شهری دارند، شناسائی و مزایا و معایب هر روش ارائه و پیشنهاداتی جهت بکارگیری روشهای مختلف در نواحی متفاوت ارائه گردیده است. نتایج این تحلیل  در راستای بهبود عملکرد روشهای فیلترکردن، ترکیب روشهای بهبود یافته و نیز استفاده از روشهای نوین یادگیری ماشین و یادگیری عمیق در این زمینه پیشنهاد می‌گردد.