树种的精细分类对于人工林的资源管理和信息提取至关重要,遥感数据因其覆盖广、具有重复探测能力等特点已经成为了树种制图的重要数据源。近年来,高分辨率数据也用于人工林的提取,但大部分是针对单一的类别或树种,多树种精细分类的研究仍然很少。本文以内蒙古旺业甸为研究区,从多时相ZY-3多光谱和立体像对数据中,提取五种类型的变量:(1)基于像素光谱的特征,例如光谱波段、植被指数;(2)基于空间的特征,例如图像纹理;(3)时相特征,例如生长季和落叶季;(4)基于立体像对提取的高度特征,反映不同的林分立地特征;(5)地形因子,例如高程、坡度和坡向。对比分析不同时相数据(落叶季、生长季、两期数据结合)、不同变量组合(V1-光谱波段;V2-V1+植被指数、图像纹理、分割变量、地形变量;V3-V2+林分结构变量)和不同分类算法(最大似然法(MLC)、人工神经网络(ANN)、k最近邻(kNN))、决策树(DT)、随机森林(RF)和支持向量机(SVM))对树种精细分类的影响,结果表明:(1)相比于仅使用光谱波段,多源变量的组合能提高总体地类和森林的分类精度,其中,总体精度提高3.7-15.5%,森林总体精度提高1.0-12.7%,使用支持向量机时,取得最高总体精度为84.5%,使用最大似然法时,取得最高的森林总体精度为89.2%;(2)多时相数据的结合可以提高分类精度,相比于使用单期数据,多时相数据结合时,总体精度提高了7.8-15.0%,森林总体精度提高了6.0-11.8%;(3)仅使用光谱变量时,最大似然法比机器学习算法取得更高的总体精度;但是当使用多源变量时,随机森林和支持向量机等机器学习算法的总体精度要高于最大似然法;林分结构变量的加入,对白桦和樟子松的分类精度有所提高,其他树种的精度没有明显变化;(4)对于单树种,油松、樟子松、红松、杨树和榆树、其他阔叶的树种精度在92%以上,落叶松和白桦的树种精度分别为87.3%和84.5%,但是,这些单树种的最高树种精度来自不同的数据源和分类算法,没有单一的分类算法可以为所有的树种提供最高的树种精度。本研究的目的是为总体地类、森林和单树种分类识别合适的变量和分类算法,研究表明同一数据或分类算法不能为所有的地类提供最佳的分类精度,在以后的研究中可以尝试使用分层分类的方法,分别使用单树种对应的最佳变量和分类方法。