激光雷达点云数据是测量森林林木、反演单木参数的重要数据来源。通过激光点云数据实现大范围、高精度的森林生物量提取,分析森林碳储量分布是当前研究热点。然而不同的仪器获取的点云数据都存在一定缺陷,地基激光雷达能较好的获取林下结构,但是在上层冠层部分扫描受限,而机载激光雷达能广泛获取上层林冠结构,却不能精确扫描林中和林下信息。将两者进行配准联合,实现数据视角互补,有助于完善点云数据,提高森林参数反演精度。本文以香格里拉的高山斜坡林地作为研究对象,选取云南松、高山松、云冷杉为优势树种的林地进行数据扫描,围绕地基激光雷达和无人机激光雷达林区点云数据配准技术进行深入研究,提出一种从树高点进行配准（Tree-height Registration,TR）的方法。该方法首先将两个数据进行地面点分离,并生成数字地表模型（Digital Surface Model,DSM）栅格数据,然后从中获取最高点（本文将其称为树高点）,搜索配对树高点,通过奇异值分解（Singular Value Decomposition,SVD）分解获取旋转与平移矩阵完成粗配准,最后通过最邻近点迭代SVD分解实现精配准,并进行精度验证,与迭代最近点算法（Iterative Closest Point,ICP）、一致性点漂移算法（Coherent Point Drift,CPD）和正太变换分布算法（Normal Distribution Transform,NDT）进行对比。此外,研究还探究了参数变化和密度变化对于TR算法的影响。主要研究内容与结果如下:（1）将点转换为圆盘,实现点云到影像化的转变,能有效的减少栅格化过程中出现的白线凹坑,填充空白信息。接着通过计算样地中心点,使得ULS点云数据由全球坐标向局部坐标转化,初步实现ULS-TLS点云数据叠加。接着本文从树高点角度上出发,提出TR配准方法,该方法包含粗配准和精配准。前者通过搜索窗口搜索ULS与TLS影像的树高点,并进行相似点识别与配准;接着将粗配准后的最高点进行迭代再配准以提高精度。计算配准后两个点云集的最临近点距离的平均值作为配准精度,粗配准精度在0.38-0.83m之间,精配准精度在0.18-0.69m之间,总计时不高于30s,精配准能有效提升粗配准结果,提升幅度可达55%。TR方法整体取得良好的精度与时间效益,在坡度为2-21°的高山林地得到较好的结果。（2）ULS-TLS点云数据配准方法对比研究。（1）采用ICP、CPD、NDT三个方法分别针对ULS-TLS点云数据粗配准之前、粗配准之后的两种状态进行配准,但是收效胜微。在两个数据粗配准之前,使用ICP进行配准精度在0.85-34.04m,NDT的精度在1.0-33.11m,CPD的精度在19.26-25.83m之间,总体精度在0.85-34.86m,精度变化幅度大,三者均受到初始位置的影响,未能得到较好的结果。（2）使用TR算法实现ULS-TLS点云粗配准之后,ULS-TLS点云数据的位置得到调整,使用三个方法进行精配准,结果也并不理想,ICP的精配准精度在0.87-34.86m,NDT的精配准精度在0.62-8.25m,CPD的精配准精度在17.93-23.87m,总体精配准精度在0.62-24.57m,三者并没有提升粗配准精度,反而出现随机性,精度变化跳跃,三者的配准精度均远远低于TR精配准方法。（3）搜索窗口和点云数据密度对配准精度的影响。（1）以样地1、样地2和样地3为例,将搜索窗口分为大小为2m*2m、3m*3m、4m*4m、5m*5m和6m*6m五个尺寸,分析搜索树高点窗口大小变化对于TR配准算法带来的影响。发现随着搜索窗口从小变到大,无论是ULS还是TLS点云数据,搜索到的树高点都在减少,且远远没有达到样地本身的单木数量。在搜索窗口为2-5m时,最终配准的精度变化较为稳定,波动不大,且配准精度均较高,但是当搜索窗口超过3m时,样地3精度过低受影响较大,在搜索窗口为3m时,三个样地的配准精度均为最佳。（2）将TLS数据进行等距的九次抽稀,直到它的距离密度与ULS数据相似为止,探究密度变换对于配准精度的影响,其中搜索树高点的窗口为3m*3m。结果表明,TR受到点云密度的影响较小,在TLS数据密度变化过程中,配准精度变化幅度较小,趋于平缓。可见,TR算法的提出能有效解决当前研究领域中存在的不足,可以快速、精准的实现林区空-地点云数据的配准,提升时间效率,降低人力成本,具有较好的应用价值。