精确的森林树种识别和生物量反演是生物多样性监测及森林资源管理的重要研究课题。森林树种组成是描述森林生态系统的重要指标,而森林生物量是表征森林结构和功能的重要参数,它们为生态系统结构与功能等研究提供了关键信息。通过当前先进的无人机技术,可以精准获取点云和影像等多源精细遥感数据,其具有丰富的森林结构和光谱信息,对森林主要优势树种识别和地上生物量（AGB）的提取及林学和生态学应用具有重要意义。本论文以滇西北白马雪山国家级自然保护区南部塔城镇响谷箐为研究区,基于垂直起降固定翼（VTOL）无人机搭载激光雷达（Li DAR）传感器获取的三维点云以及低成本固定翼无人机获取的高重叠度、高空间分辨率多光谱和RGB影像。首先,将航空数字摄影测量获取的大量单幅影像拼接成多光谱和RGB正射影像并通过运动恢复结构算法（Structure from Motion,Sf M）生成数字立体摄影测量（Digital Aerial Photography,DAP）点云;然后借助Li DAR点云滤波后插值生成的数字高程模型（DEM）实现DAP点云归一化;接下来,比较不同单木分割算法（即点云分割（PCS）、基于RGB影像的多尺度分割（MRS）和结合RGB影像和冠层高度模型（CHM）融合影像的多尺度分割）对单木冠幅的提取效果;最后,基于光谱、纹理和点云结构特征,利用随机森林分类器分别在树种（典型优势乔木）和森林类型（即针叶林和阔叶林）层面上进行分类和精度评价,并通过构建多尺度反演模型对研究区森林AGB进行了反演及空间分布制图,探索了基于无人机获取的滇西北亚热带森林精细冠层光谱、纹理和结构特征对优势树种分类和地上生物量估测的效果及应用价值。研究结果表明:（1）通过比较基于不同数据组合的单木分割方法及参数敏感性分析结果表明:结合RGB正射影像和冠层高度模型的多尺度分割所提取的冠幅精度最高（F1值达到82.5%）,其次是基于点云的单木分割（F1值达到79.6%）,而仅仅基于RGB影像的多尺度分割精度最低（F1值为78.6%）。（2）结合最佳的单木分割算法,在冠幅内综合提取光谱、纹理和点云结构特征,利用随机森林模型进行面向对象树种分类,结果表明:按森林类型（即针叶和阔叶林）分类的精度高于按优势树种（即针叶:云南松、铁杉、云杉;阔叶树:曼青冈、槲栎、槭树、旱冬瓜、山杨）分类的精度,综合光谱,纹理和结构特征的随机森林模型分类精度最高（总体精度为80.20%,Kappa系数为60.37%）;在分类过程中,仅使用光谱特征的分类精度最低,表明纹理特征和点云结构特征对分类都有着有提高精度的作用（总体精度和Kappa精度分别提高了1.49-4.46%和2.86-6.84）;在八个树种分类中,使用光谱、纹理和点云特征的分类精度最高（总体精度为66.34%,Kappa系数为58.53%）;在按树种分类的模型中,光谱特征（RGRI、GNDVI等）、纹理特征（蓝波段的相关度等）、结构特征(H95、H50、D7等)对模型的重要性排在前列,表明结构、光谱和纹理特征均对训练分类模型有积极影响。（3）结合光谱和点云结构特征,利用多元线性回归模型进行研究区的森林AGB多尺度估测,结果表明:利用归一化DAP点云结构特征预测的地上生物量模型精度（R2=0.77,r RMSE=10.78%）高于只用光谱特征预测的模型（R2=0.52,r RMSE=15.46%）;结合点云结构特征和光谱特征的预测模型精度最高（R2=0.81,r RMSE=9.72%）,DAP点云结构特征对提高地上生物量预测模型的精度有重要作用;研究区AGB反演制图有效获取了生物量空间分布异质性。