森林资源是陆地生态系统中的一个重要组成部分,为人类的生产和生活提供了赖以生存的氧气以及丰富的木材原料,属于可更新可再生的自然资源。因此,快速、准确地获取测树因子（如树高、胸径、冠幅等）一直以来都是森林资源调查的基本工作。目前森林资源调查的主要方式中,人工调查周期长效率低,通常以年为周期;卫星遥感信息量大,更适合大尺度范围内的调查;激光雷达精度高可视效果好,但价格昂贵,难以被广泛应用。随着计算机视觉的发展,利用多视角影像进行三维重建生成点云数据逐渐成为一种新的点云数据获取方式。利用点云数据可以有效地解决关于森林资源调查的一系列问题,缩减人工处理数据的步骤与时间,加快森林信息提取速度,同时还可以降低所需的人力资源与硬件成本。围绕以上背景和问题,本文选取佳木斯市孟家岗林场为研究区,基于无人机和背包激光雷达获取遥感数据,提取林地内单木结构参数信息,论文的工作内容概述如下:（1）根据相机成像原理使用无人机倾斜摄影进行匹配获取三维点云替代机载激光雷达,通过特征点提取和特征点匹配从运动中恢复结构,完成从倾斜摄影影像生成稀疏点云的过程,再通过多视影像密集匹配实现稀疏点云到密集点云的扩充,生成的点云具有良好的效果,可以清晰地看出林地特征和冠层结构,解决了由于特征点稀疏特性导致的点云不密集问题。（2）采用U-Net卷积神经网络完成对无人机遥感影像中单木树冠分割问题的研究,并进一步统计株数信息,同时与传统数字图像处理中的分水岭算法和K-Means聚类分割方法对比,采用准确率和召回率评价分割结果,证明了深度学习算法相比于传统的图像处理方法在分割树冠时有效减少了过分割现象,可以准确地提取树冠轮廓。（3）提出了一种基于Point Net的改进点云分割算法,通过修改原网络结构和增大卷积核等方式使其具备更好的局部特征提取能力,同时深入研究了目前先进且具有代表性的点云实例分割算法,将其应用于林业数据集。对比改进后的Point Net网络、SGPN和3D-Bo Net三种不同的深度学习点云分割算法对多源点云数据的分割结果,其中改进后的Point Net网络准确率和召回率分别达到了86.88%和86.55%,均高于其他两种方法,故在其分割结果基础上提取测树因子,这一结果也证明了深度学习算法可以用于林业信息提取且表现优异,具有较好的应用前景。（4）在单木分割的结果上进一步提取测树因子,利用单木范围内最高点和最低点的差值提取树高,通过最小二乘法拟合圆提取胸径,通过线性回归对比提取值和实测值间的误差。结果表明提取值与实测值的误差较小,相关系数较高,可以使用本文提出的主要技术方法完成对森林资源信息的调查或快速更新。