树木在生长过程中,有时会出现中空、腐朽等现象,导致树木发生倒塌或死亡,给人民生命财产造成难以挽回的损失。为了在不损伤树木的前提下及时了解树木的健康情况,常使用应力波、电阻成像以及超声波等无损检测技术对活立木进行检测。近些年,随着探地雷达技术的发展,该技术已被用于树木的缺陷检测。基于目前探地雷达技术仍存在的问题,本文主要研究介电常数的修正以及雷达波数据的解释,来提高探地雷达的检测和识别精度。树木的介电特性影响着探地雷达的检测精度,故本研究以木材的介电常数为切入口,探究了四种木材在不同的含水率、外电场频率和环境温度下,木材介电常数的变化规律并进行相关性分析。基于所得数据,通过构建BP神经网络预测模型来实现对介电常数的预测。同时,应用GprMax正演模拟软件构建不同缺陷类型,通过对雷达波数据提取时域特征和样本熵来构成特征向量,基于提取的特征向量利用支持向量机分类器来对雷达波数据进行分类解释。本研究的具体分析和主要结论如下:（1）随着含水率和温度的增加,木材的介电常数整体呈增大趋势。且当木材含水率高于纤维饱和点时,0℃左右介电常数会发生突变。随着频率的增大,介电常数呈减小趋势。在环境温度为-15～20℃区间内,介电常数与频率和含水率具有显著相关性,与介电常数相关程度由高到低依次是含水率、频率、温度。（2）以含水率、环境温度和外电场频率为输入,以介电常数为输出,基于BP神经网络构建了介电常数预测模型。结果显示,模型的回归系数可达0.95以上。将预测的介电常数进行了实验验证。结果表明,使用预测的介电常数值进行探测,探测误差降低了3.7%。（3）基于GprMax软件对健康、腐朽和空洞木材进行正演模拟获取雷达波信号,提取信号的部分时域特征和样本熵组成特征向量。使用粒子群优化算法对支持向量机进行参数寻优,应用数据的特征向量对支持向量机的识别效果进行测试。结果显示,将粒子群算法优化的支持向量机分类器用于识别树木不同状态的信号是可行的,识别准确率可达0.916。