开展碳源/汇估算和核查研究有利于推动形成资源节约、环境友好的生产方式、生活方式和消费模式，实现可持续发展。而森林生态系统作为陆地生态系统的最大碳库，是研究的主要对象。传统的森林地上生物量估测存在破坏性强、费时、费力等缺点，基于遥感的森林地上生物量估测越来越被重视。由于采用线性方程的遥感估测方式不能有效地表现出森林地上生物量与遥感参数等之间的非线性关系，国内外研究者提出了非参数化方法，主要包括神经网络模型以及支持向量机模型等，其中支持向量机模型以其具有能较好地解决小样本、过学习、局部极小点等优点，成为非参数化生物量遥感估测研究的热点。　　本文重点分析了基于PSO算法的支持向量回归机模型的森林地上生物量遥感估算算法，从遥感参数择优选取以及支持向量回归机参数寻优等过程方面，通过卷积计算样地参数以及对比分析归一化等方法择优进行估测以提高模型的稳定性以及精确度，并与多元线性回归、KNN以及神经网络等常见模型进行对比分析和精度评估。本文的主要研究内容如下:　　(1)泰山景区47样地地上生物量获取　　利用2013年5月13日实地调查的泰山景区内47个样地的林种、树高以及胸径数据，通过查阅相关文献以及进行试验，获取各林种单木胸径树高模型，并利用单木地上生物量模型，最终获取47样地内的地上生物量值。　　(2)采用PSO-SVM模型对泰山景区森林地上生物量进行估测　　对47样地地上生物量数据和经过处理的2013年5月21日的Landsat8数据以及DEM数据参数进行分析，采用PSO-SVM模型对泰山景区森林地上生物量进行估测。并从参数选取、卷积计算样地参数以及对比分析归一化方法、林种分类、核函数选择、留一法交叉验证等方法择优选取以提高模型的速度、稳定性以及精确度。　　(3)模型对比分析　　采用多元线性回归模型、KNN模型以及GA-BP神经网络等模型分别对研究区的森林地上生物量进行估测，并与本文中采用的模型进行对比分析和估测精度评估。　　(4)泰山景区森林地上生物量空间分布分析　　对采用PSO-SVM模型估测得到的泰山景区森林地上生物量进行空间分布分析，主要从高程、坡度和坡向三个方面分析研究区地上生物量的空间分布特征。　　本文通过采用卷积计算样地参数、留一法交叉验证等方法优化PSO-SVM模型对泰山景区森林地上生物量进行估测，估测结果精度明显优于多元线性回归、KNN以及神经网络等模型，为进一步研究高精度的森林地上生物量估测奠定了基础;基于PSO-SVM估测结果开展森林地上生物量空间分布特征分析，成果可为森林经营管理部门提供科学依据。