树木作为最重要的陆地表面资源之一,在生态系统中充当着净化空气、防风固沙和气候调节等重要的角色,及时有效地对树木进行检测以及获取树木各项参数信息对于监测树木生长状况起着至关重要的作用。单棵树木的各项参数包括树冠面积、冠幅、树高和胸径等,传统的树木参数信息获取方法通常耗时费力,而无人机平台的出现与发展,为城市中树木参数提取提供了新的数据来源渠道。本研究以无人机银杏树木遥感影像为数据基础,通过深度学习中的Mask R-CNN算法结合数字正射影像图对城市中不同场景下的银杏树冠进行检测与分割并自动获取树冠冠幅、树冠面积以及胸径等参数。本研究主要进行了以下几个方面的工作:（1）使用无人机获取银杏树木遥感影像并生成数字正射影像图与三维点云数据,基于数字正射影像图使用目视解译方法提取银杏树冠冠幅与树冠面积的实测值,基于三维点云数据提取树高参数。（2）本研究对无人机树冠遥感影像进行预处理与数据标注,通过迁移学习的方式对Mask R-CNN网络模型进行训练,使得网络模型适用于城市中不同场景下的银杏树冠检测与分割,并且为了探究不同图像类型与数量的数据集训练模型对树冠检测与分割效果的影响,本研究制作了七种不同的训练数据集,研究结果表明,OBL-90数据集训练模型拥有最佳的检测效果,总体F1-score达到了91.66%。根据检测与分割结果提取树冠冠幅与树冠面积参数,并将提取的树冠参数与上述通过目视解译获取的实测值进行对比分析,得到冠幅与树冠面积的平均相对误差分别为7.5%与11.15%,表明结合无人机影像与Mask R-CNN算法可以对城市中不同场景的银杏树冠参数进行有效地自动提取。（3）将通过上述方法提取得到的树冠冠幅与树冠面积参数代入由训练区域树木参数制作的三种二元胸径反演模型（冠幅&树冠面积--胸径）中预测树木胸径,并与对应实测胸径做对比分析,其中二元线性模型U2_DBH拥有最佳胸径预测精度,平均相对误差为9.37%,综合误差为0.107,达到了良好的胸径预测效果。将通过三维点云数据提取的树高参数加入制作三元胸径反演模型（冠幅&树冠面积&树高--胸径）,并将树冠参数代入反演模型预测树木胸径并做对比分析,其中三元幂函数模型P3_DBH拥有最佳胸径预测效果,平均相对误差为8.24%,综合误差为0.092,且三元反演模型相较于二元反演模型普遍拥有更高的预测精度,可以预测得到更高精度的胸径参数。研究结果表明,基于自动提取的树冠参数与胸径反演模型可以进一步对银杏树木胸径参数进行准确获取。