准确的树种分类是森林资源管理和生态系统保护的重要基础。遥感技术可大尺度、定期进行森林资源调查。激光雷达是一种主动式遥感技术,与被动遥感技术相比,激光雷达可快速准确地获取森林中单木的三维结构信息,这对林区树种分类准确性的提高具有重要意义。近年来,计算机硬件性能的提升,推动了深度学习技术由理论设计到现实应用的发展。由于激光雷达获取的点云具有无序性、旋转不变性,当前基于深度学习方法对森林点云进行树种分类的研究主要有三种思路,将点云转为多视角图像、将点云转为三维体素、直接使用点云。本文主要研究了基于点云深度学习对北方典型树种的地基激光雷达和无人机激光雷达点云的分类方法。为提高模型的健壮性,本文选取了差异性（生长环境和树木结构）较大的两块森林样地（天然林和人工林）开展了基于点云和冠层高度模型两种方法的单木分割。通过单木位置、点云文件大小及人工目视判读,挑选出分割完整的单木点云作为制作数据集的样本;通过对深度学习树种分类模型训练,实现了点云树种分类,并对其结果分析进行了详细的研究。实验结果表明本文所提出的点云树种分类方法,无论是地基激光雷达或无人机激光雷达采集的森林点云,均可实现高精度的树种分类,为森林点云精细树种分类提供了一种新的思路。本文主要结论如下:（1）提出了一种基于点密度分析的地基激光雷达点云单株树胸径提取方法。该方法先对高度归一化后的整体点云进行切片处理,使用改进的K-means算法消除离群点;之后进行点密度分析,提取树干切面中心点;根据树干切面中心点之间的相互关系和欧式距离实现胸径的自动提取,从而降低了胸径提取过程的工作量。（2）提出了一种基于点云深度学习树种分类网络模型。该网络使用几何采样和改进的最远点采样进行下采样,以保存更多的特征点;该网络可同时提取特征点的坐标信息、法向量及强度;并分别对空间特征（坐标和法向量）和属性特征（强度）进行升维处理,提取其深层特征,训练树种分类模型,实现树种高精度分类。（3）开展了机器学习（支持向量机和随机森林）和其他深度学习（Res Net,Vox Net,Point Net系列）树种分类方法的对比试验。结果表明,当数据量相同时,本文所提方法的树种分类平均精度分别高出20.3%和6.6%。本文对不同特征点数构成的单木和不同网络最高映射维度分别训练树种分类模型,实验结果表明无论是地基激光雷达还是无人机激光雷达获取的单木点云,特征点数量和映射最高维度对树种分类精度都有影响,其树种分类精度最高可达96%。