输电线走廊的树木生长会对电力线构成威胁,自动高效地获取输电走廊精细的树种信息对树障隐患智能预警系统有重要作用。本研究综合利用机载Li DAR点云数据和同步获取的高分辨率航空影像的优势,基于面向对象的原理,以非参数的机器学习算法为核心,对输电线走廊的树木进行基于多源遥感数据提取多类特征的树种分类。本研究选择安徽省池州市东北部的两块输电线走廊区域作为研究区。首先,对Li DAR数据处理以获取冠层高度模型(Canopy Height Model,CHM)并进行优化;针对目前树冠提取中背景的影响和易出现的过度分割问题,先对航空正射影像,使用可见光差异植被指数(Visible-Band Difference Vegetation Index,VDVI)与双边滤波提取和优化树冠区域,接着结合CHM和仅含树冠区域的正射影像,采用多尺度分割方法提取单木树冠,并利用ESP2(Estimation of Scale Parameter 2)尺度评价工具获取最优分割尺度;然后以单木树冠作为对象,基于航空正射影像提取光谱、纹理和形状特征,基于CHM提取高度特征,构建多维特征数据集,并利用XGBoost算法进行特征重要性排序和特征选择;最后使用随机森林(Random Forest,RF)、支持向量机(Support Vector Machine,SVM)和人工神经网络(Artificial Neural Network,ANN)三种非参数分类器,设计12种分类方案进行单木树种分类并做精度评价,分析比较多源数据结合和特征选择对树种分类精度的影响,评估不同分类器对现有类型树种分类的能力。研究结果表明,利用VDVI和双边滤波改进传统单木分割方法,可以减少背景地物对树冠分割的影响和单一树冠内纹理特征显著带来的过度分割现象,提高树冠提取精度,得到的树冠分割结果精度均在80%以上;用ESP2尺度评价工具确定最优分割尺度参数,可以提高效率并减小人为确定参数的误差。两个研究区域分类精度最高的方案相同,均是将Li DAR数据和航空正射影像结合,经特征选择后使用ANN分类器,总体精度分别为86.19%和81.37%。