森林是陆地生态系统的主体,是人类社会生存的物质基础。长白落叶松（Larix olgensis）是东北林区人工林建设中重要的三大造林针叶树种之一,定量模拟长白落叶松枝条特征因子及其生长动态是研究木材质量、树冠结构和生物量、树木竞争状态及林地生产力的基础,是研究树冠、单木和林分动态过程的重要组成部分,是制定长白落叶松人工林科学合理经营决策的前提。本研究利用黑龙江省11块长白落叶松人工林样地内77株解析木,818个轮枝内4679个枝条的枝解析数据、枝条生长数据,基于广义线性模型、非线性模型、分位数回归、混合效应模型等方法,构建了一套涵盖了枝条数量、枝条大小、着枝角度等枝条特征因子及枝条基径、长度生长动态模拟的模型系统。本研究的具体研究内容和主要结论如下:（1）基于7个较为常见的计数类模型,即Poisson分布、负二项分布（Negative binomial,即NB,包括NB-1,NB-2和NB-P）、广义Poisson分布（Generalized Poisson,即GP,包括GP-1,GP-2和GP-P）回归模型,分别构建了一级枝条和二级枝条数量垂直分布模型;此外,将树木水平作为随机效应,建立一级枝条和二级枝条数量分布广义线性混合效应模型（GLMM）,并利用“刀切法”进行模型检验和预测能力评估。结果表明,Poisson分布是一级枝条数量的最优分布形式,GP-1分布是二级枝条数量的最优分布形式;树高年增长量、枝条的位置、树木的相对大小、优势木平均高和年龄显著影响一级枝条和二级枝条数量;GLMM模型能够显著提高模型的拟合和预测能力,GLMM模型的预测精度随着抽样数量的增加而逐渐提高;预测精度还受到抽样方法的影响,不同抽样方法对树冠上部和下部的预测精度提升效果不同;选择恰当的抽样方法,能够以相对较小的抽样数量满足树冠不同位置处一级枝条和二级枝条数量的预估精度需求。（2）基于简单线性模型、二次多项式、分段抛物线方程、分段幂函数方程、分段单分子式方程、柯列尔方程、修正Kozak方程和修正Weibull方程,采用分位数回归技术,针对不同分位点（=0.05,0.10,0.20,……,0.90,0.95共11个分位点）分别拟合枝条基径和枝条长度垂直分布模型,选出在高、中、低分位点均表现最优的模型形式,并进行再参数化引入单木水平和林分水平变量;分别从多个低分位点（即,=0.01,0.05,0.10,0.15,0.20,0.25,0.30）和高分位点（即,=0.99,0.95,0.90,0.85,0.80,0.75,0.70）中选出最大和最小枝条基径、枝条长度垂直分布的最佳分位点,建立最大和最小枝条基径、枝条长度垂直分布模型;同时基于多个中间分位点枝条基径、枝条长度垂直分布曲线,结合线性插值法来计算轮枝内其他枝条的基径和长度。结果表明,在引入胸径、高径比、冠长、冠长率、林分断面积和优势木平均高等变量后,修正Weibull方程在各个分位点都能更好的模拟枝条基径和枝条长度的垂直分布规律;=0.20和=0.85分别为最小和最大枝条基径垂直分布的最佳分位点,=0.20和=0.80分别为最小和最大枝条长度垂直分布的最佳分位点,选择的最佳分位点与落叶松每轮枝条的数量密切相关;计算每轮内各个枝条所对应的分位点数值,并分别建立=0.20,0.30,0.40,0.50,0.60,0.70,0.80分位点处的枝条基径和枝条长度垂直分布模型,利用线性插值法计算各个枝条的基径和长度;最终枝条基径和枝条长度垂直分布模型的拟合精度分别达到~2=0.8816、=1.9292和~2=0.8572、=21.5263,“刀切法”检验后枝条基径和枝条长度垂直分布模型的预测精度达到%=-5.6926、%=19.4562和%=-8.5424、%=22.9040。（3）基于非线性模型形式,引入枝条、单木和林分水平变量,建立枝条的着枝角度模型;将树木水平作为随机效应,建立枝条着枝角度非线性混合效应模型（NLME）,并利用“刀切法”进行模型检验和预测能力评估。结果表明,非线性模型形式能够很好的模拟着枝角度的变化规律;相对着枝深度、枝条基径、枝条长度、枝条年龄、高径比和立地指数对着枝角度具有显著影响;树木水平混合效应模型能够显著提高模型的拟合和预测精度;随着抽取枝条数量的增加,模型的预测精度逐渐提高;不同抽样方法对树冠不同位置处的着枝角度预测精度提升效果不同,当选择从树冠底部逐步向上抽取枝条的方法,且抽取枝条数量达到10个时,模型即可达到较高的预测精度。（4）基于Mitscherlich方程,引入枝条高度、树高生长量为自变量,构建了树冠内枝条基径和长度生长模型;通过非线性混合效应模型（NLME）和分位数回归模型（QR）来预测枝条生长,并对比了混合效应模型与基于三条（QR3）、五条（QR5）和九条分位数（QR9）回归曲线的分位数回归组合预测法的预估精度。结果表明,混合效应模型和分位数回归组合预测法能够显著提高枝条基径和长度生长的预测精度,且总体来看,混合效应模型的预测能力优于分位数回归组合预测法;但分位数回归模型仍具有不可替代的优势,可以描述不同大小枝条的生长过程,且分位数回归组合预测法在预测树冠上部枝条的生长时具有更高的精度;混合效应模型和分位数回归模型的预测精度随着抽取枝条数量的增加而增大,尤其是在抽取5个枝条时,两种方法均获得较高的预测精度;三种抽样方法对枝条生长模型的预测精度影响区别不大,由于从树冠底部抽取枝条的方法操作简单,且对树木生长影响较小,因此本文建议应用此抽样方法抽取5个枝条样本来校正枝条生长混合效应模型和分位数回归模型。（5）根据建立的枝条数量垂直分布模型、枝条基径和长度预估模型、枝条着枝角度模型,可以精确地预测树冠中全部轮枝内的枝条数量、基径和长度,间接展现了树冠的形状和内部结构特征。所建立的枝条生长预测模型与枝条数量垂直分布模型相结合,可以动态模拟树木随着树高生长,其枝条数量和大小的动态变化过程。