森林生态系统是地球陆地生态系统的主体,是面积最大、结构最复杂、功能最稳定、生物量最大的生态系统,是人类生存与发展的必要环境条件。监测森林中乔木的生长发育状况,不仅可以为森林资源利用提供基本信息,同时也为森林生态系统功能、森林与环境系统关系以及如何实现可持续林业提供数据支撑。冠长、冠长率是树木活力、木材质量和树木抗逆性的重要指标,利用枝下高预测冠长是获得冠长的有效方法。激光雷达在大尺度研究区域森林调查中较地面调查更为便捷、高效。因此研究基于激光雷达数据的枝下高模型是枝下高模型研究中的重中之重。本文以甘肃祁连山大野口观测站1公顷样地激光雷达提取的青海云杉单木变量参数为基础,在单木水平进行枝下高模型研建。通过建立枝下高混合效应模型、层次贝叶斯模型,探讨了如何解决样地对枝下高生长的随机扰动影响的方法,并利用相容性模型系,解决了枝下高与胸径的相容性问题。同时,利用同一样地不同平滑方法获取的数据,探讨了模型的应用可行性。论文主要开展的研究工作与结论如下:（1）本文通过建立枝下高混合效应模型,解决了样地布设对枝下高生长的随机扰动问题。本文利用基于激光雷达的单木树高（LH）、单木树冠投影面积（LCA）解释立木大小对枝下高生长的影响,利用基于激光雷达的样地郁闭度（LCC）和样地优势高（LDH）解释竞争对枝下高生长的影响,建立枝下高混合效应模型。得到以下结果:加入LDH对模型精度提升较小,均方根误差（RMSE）较不含LDH的枝下高模型降低了 0.5%,所以确定最终枝下高模型解释变量为LH、LCA和LCC。通过计算平均误差（ē）、残差方差（σe2）和RMSE确定随机效应引入的参数位置。计算结果表明,随机效应加在β0和β1上,模型拟合精度最优,ē最小（0.0125m）,σe2最小（2.7040）,RMSE最小（1.6444m）。通过计算赤池信息准则（Akaike information criterion,AIC）、贝叶斯信息准则（Bayesian information criterion,BIC）和对数似然值（Log likelihood,LL）,确定使用幂函数方差函数消除异方差。并研究了 4种计算随机效应的抽样方案,结果表明在每个样地中抽取4株胸径较小的样木,计算该样地的随机效应来拟合枝下高模型精度最优。（2）本文通过建立枝下高层次贝叶斯模型,解决了样地布设对枝下高生长的随机扰动问题。层次贝叶斯模型通过引入随机效应解决样地对枝下高生长的随机扰动。结果表明层次贝叶斯模型拟合精度与混合效应模型相近,RMSE为1.6389m。样本量分别为全数据集10%、25%、50%、75%,层次贝叶斯模型估计的参数方差值均比混合效应模型的参数方差值小,且贝叶斯在10%、25%和50%的样本量拟合精度优于混合效应模型,RMSE分别降低了:9.6%、1.2%、4.2%。（3）建立了枝下高和胸径的相容性模型,克服了以往研究中单独进行枝下高和胸径建模中的不足。利用似乎不相关回归法（SUR）、二阶段最小二乘法（2SLS）、三阶段最小二乘法（3SLS）、全信息似然估计法（FIML）以及两步度量误差模型法（TSEM）和两种模型形式（NLS＆BD、NLS＆NBD）,利用留一法交叉验证进行模型评估,得到以下结果:1)利用SUR估计模型系枝下高预测精度最高（RMSE=1.8281m）,其他方法的预测精度由高到底,依次为 3SLS（RMSE=1.8283m）、2SLS（RMSE=1.8285m）和 FIML（RSME=1.8296m）,结果表明相容性模型系估计方法的预测精度差别较小。2)与最小二乘法拟合模型结果相比,以上联立方程组估计常用方法,模型参数估计方差较少,模型残差均值下降,表明联立方程组可以很好的解决枝下高和胸径的相容性问题。（4）构建了枝下高机器学习模型和枝下高混合效应分位数回归模型。使用森林生长模型中常用的其他建模方法如机器学习方法:支持向量机模型（SVM）、随机森林模型（RF）、k-近邻模型（K-NN）和人工神经网络模型（ANN）,并利用留一法交叉验证进行模型评估。结果表明,k=20的K-NN模型拟合精度最优,RMSE为1.7300m。分位数回归结果表明,加入混合效应后,枝下高分位数拟合精度有所提升,ē、σe2和RMSE分别降低了 5.9%、1.2%和 0.7%。（5）采用全数据集验证混合效应模型、层次贝叶斯模型和枝下高与胸径的相容性模型,并利用同一研究区不同平滑方法获取的402株青海云杉单木变量特征,研究了本文提出的枝下高混合效应模型和相容性模型的应用可行性。利用混合效应的参数估值计算的枝下高进行预估,精度为ē=1.3144m,σe2=1.6301,RMSE=1.8324m;利用相容性模型系的参数估值计算的枝下高进行预估,精度为ē=1.2730m,σe2=1.7671,RMSE=1.8406m,较单木分割获取枝下高的残差标准差分别降低33%、30%。