林分是森林资源调查的基本单元,其中林分分布是森林调查的一个重要因子,在森林资源规划管理、生态系统建设与社会经济可持续发展等方面起着至关重要的作用。遥感技术可突破传统人工地面调绘的限制,在森林资源动态管理等方面应用越来越广泛。林分类型精细识别是遥感林分调查的主要任务之一。限于Landsat系列、Sentinel-2等常用光学遥感数据的空间分辨率,当前林分类型识别主要采用低于10米分辨率的数据。除了上述中高分辨率图像,3～10米分辨率的多光谱数据（如:RapidEye、SPOT）也越来越普及,其中包含着更丰富的林分（类别、分布、长势）信息。此外,激光雷达、合成孔径雷达等遥感数据可以提供更多有关林分（类别、分布、结构）的信息。不同类型、不同波段设置的遥感数据能够提供互补的光谱、空间细节信息,例如,高空间分辨率的多光谱影像能够提供精细的林分结构信息,最近几年逐步普及的红边波段能够提供较精细的植被类别信息,激光雷达点云（Light Detection and Ranging,LiDAR）数据能够提供林分的三维形状、结构等信息。为了探讨中高分辨率的多源遥感数据在林分树种识别方面的互补性,本文协同利用RapidEye、Sentinel-2、高分辨率航空影像和LiDAR点云数据,采用林分圈定、面向对象与卷积神经网络结合等技术来提高林分分类精度。本文的主要研究及成果如下:（1）利用 Multivariable Analysis（MV）融合方法,将 RapidEye 影像依次与 Sentinel-2两个20米分辨率的红边波段融合,以提高RapidEye影像的光谱信息;再进一步与2.5米航空影像融合,增加RapidEye影像的纹理信息;最后协同LiDAR点云提供的高度信息。结果显示数据协同后的林分分类精度有很大提高。（2）利用One-Dimensional Spectral Difference（ODSD）多尺度分割方法进行林分圈定,明确林分边界,为后续精细林分分类打下基础。（3）利用面向对象和卷积神经网络技术对中高分辨率的多光谱影像进行分类。多个卷积神经网络结构中ResNet₁8提供了最高的分类精度,对5m RapidEye、5m RapidEye+RE2、5m RapidEye+RE2+RE4 和 2.5m RapidEye 这 5 种数据源的分类结果比传统分类方法中分类精度最高的支持向量机分别高出4.53%、5.49%、5.97%、4.53%、5.72%。上述研究结果表明,中高分辨率的多源遥感数据信息协同能有效提高林分树种识别精度,且林分圈定对分类具有重要意义。同时,面向对象与卷积神经网络结合技术在林分分类应用上具有明显的可行性与优越性。