叶面积指数(Leaf Area Index LAI)是植被冠层结构的一个重要参数，它不仅是许多生态和气候模型的重要输入变量，而且是生态系统动态变化监测的一个重要指标。因此，获取地表LAI参数对于地球生态系统的研究有重要意义。如何快速有效地估算区域乃至全球尺度的LAI成为学者们研究的热点。基于地面的LAI估算方法包括：破坏性采样法、落叶收集法、光学仪器法、异速方程法、倾斜点嵌块法5种。这些估算方法仅局限于小区域的LAI估算，都不能满足区域乃至全球尺度的LAI动态变化监测。遥感影像数据越来越多地被应用到区域乃至全球尺度的LAI的估算中。早期基于遥感估算LAI的方法有两种：其一是建立光谱绝对值(或其变换形式植被指数)与LAI的单变量或多变鼍统计回归方法。这种方法比较简单、易操作，但对于不同区域的植被，没有固定的统计规律，需要从新不断拟合，不具备普适性。其二是建立在植物冠层物理特性的冠层反射模型法。冠层模型通常是非线性的，输入参数多，模型极其复杂，计算时间长。近年来，人工神经网络技术引入到遥感估算LAI的研究中，大大提高了遥感反演LAI的精度和速度。 本研究基于地面的LAI估算是采用光学仪器法(LAI-2000)、落叶收集法和异速生长方程法。许多研究表明LAI-2000测定结果会比真实LAI低，而落叶收集法估算LAI比较接近真实LAI。鉴于此，本研究建立了落叶收集估算LAI校正LAI-2000植物冠层分析测定值(PAl)的校正模型，校正了300个PAI值，为遥感估算森林LAI提供精度较高的建模和验证数据。基于遥感数据的LAI估算，本研究通过2种方法估算了研究区的LAI，其一是建立归一化植被指数与地面实测LAI的线性回归模型；其二是利用BP神经网络对将8种应用广泛的植被指数进行样本训练，从而估算研究区的LAI。该方法包括以下六个步骤：(1)几何校正，原始影像与地面1：5万地形图配准。(2)大气影响校正，用COST模型对影像进行大气校正，消除大气对遥感影像的影响，将ETM+影像各波段的亮度值转化为地物光谱反射率值。(3)利用各波段的地物光谱反射率值建构植被指数(NDVI、RVI、SAVI、ARVI、MAVI、MSAVI、SBL、TVI)。(4)利用BP神经网络对8种植被指数进行样本训练。(5)用训练好的人工神经网络估算研究区的LAI。(6)用地面实测LAI值对BP神经网络估算LAI的结果进行验证。 研究结果表明：(1)采用落叶收集估算的LAI值校正LAI-2000测定值，能够为遥感估算LAI建模与精度验证提供精度较高的地面LAI数据；(2)利用单变鼍统计模型估算得出的LAI结果普遍偏高，在90％的概率水平上，统计模型模型估算LAI的精度约70％；(3)利用BP神经网络对8种植被指数进行样本训练，LAI估算结果与地面实测LAI具有很好的一致性，在90％的概率水平上，BP神经网络模型估算LAI的精度约84％。