El procesamiento de datos de sistemas LiDAR (detección y medición por luz y distancia) de onda completa aéreos se ha convertido en un tema de investigación candente en el campo de LiDAR en los últimos años. Sin embargo, la precisión y confiabilidad de la clasificación de onda completa siguen siendo un desafío. Las características manuales y las técnicas de aprendizaje profundo en los métodos existentes no pueden aprovechar completamente las características temporales y la información espacial en la onda completa. Sobre la premisa de preservar las dependencias temporales, las convertimos en imágenes de campo de suma angular de Gramian (GASF) utilizando el método de coordenadas polares. Al introducir módulos de atención espacial en la red neuronal, enfatizamos la importancia de la ubicación de la información de textura en las imágenes de GASF. Finalmente, utilizamos datos de código abierto y simulados para evaluar el impacto de utilizar diferentes arquitecturas de red y métodos de transformación. En comparación con el rendimiento del método de vanguardia, nuestro método propuesto puede lograr una mayor precisión y puntajes F1. Los resultados sugieren que transformar la onda completa en imágenes de GASF e introducir un módulo de atención espacial superó a otros métodos de clasificación.