数字林业主要内容之一是对林业静态、动态及分析决策等各种特征进行数字化的表述。要实现该目标，不仅需要林业调查数据，更重要的是需要能够实现动态更新、经营决策的各种专业模型，因此森林生长建模是林业信息化的核心与基础技术之一。本文以北京山区的重要针叶林树种油松为研究对象，运用GIS、地统计学方法、神经网络方法、遗传算法和动态规划法建立了应用范围广、精度高、实用性强的北京山地油松全林整体生长模型和经营模型，主要目的在于为北京市森林资源的造林规划、经营管理、动态更新和四维表达提供必要的、高精度的理论基础，进而为北京建立数字林业、精准林业等现代林业技术系统，促进首都森林可持续经营和林业可持续发展提供基础信息。本文以北京市山地油松生长模拟与经营优化为研究内容，针对目前全林整体生长模型存在的局限性和如何提高全林模型系统中各模型精度展开研究，研究的主要内容包括：(1)多元地位指数模型及地位指数分布图的建立：针对未造林地利用全林整体生长模型预测时无法获得立地指数的问题，建立了多元地位指数模型，并以北京房山区为例，基于GIS内插建立了油松地位指数分布图，使得全林整体生长模型应用时可以和林分的具体空间位置信息结合起来，提高了整个生长系统的实用性和扩充了其应用范围；(2)林分断面积生长模型的建立：由于林分断面积生长模型是全林整体生长模型的核心，模型精度的高低直接影响其它林分因子预估精度，所以主要研究了林分断面积生长模型的选择和建立，以提高全林整体生长模型的预估精度；(3)林分形高模型的建立：林分蓄积量反映林业生产单位科学经营森林的状况和水平，是评价森林为生态建设做贡献的重要指标，林分蓄积是通过全林整体生长模型中的林分形高模型进行计算和预测的，为了获得高精度的林分形高模型，进行了提高林分蓄积计算精度的方法研究；(4)密度最优控制模型的建立：主要研究了密度效应模型的建立、密度最优控制模型的建立及密度控制模型的可视化应用，为林分生长过程的密度最优控制提供理论依据。本文通过研究得出如下结论：(1)运用遗传算法拟合多形地位指数曲线模型时，通过对5种选择函数和两种变异函数在参数寻优中对比分析，得出结论为：选用任一种选择函数结果没有显著差异，而利用变异函数中高斯函数的结果明显优于均匀变异函数；(2)基于遗传算法优化的神经网络模型拟合和预测精度都高于逐步回归模型，可用于多元地位指数的计算；(3)借助于GIS技术与地统计学理论，可以用于建立某一树种的地位指数分布图；(4)以改进的Schumacher方程为基础，利用再参数化的方法建立的断面积生长模型比利用以Richards模型和由Korf-A型方程为基础构造的断面积生长模型具有更高的灵活性和精度；(5)在已知胸径和树高的条件下，利用神经网络模型获得立木所需断面直径，然后利用平均断面区分求积法求得的立木材积精度与利用实测直径和平均断面区分求积法计算所得材积值差异很小，明显高于利用二元材积模型求得的材积精度；(6)利用林分密度指数作为密度指数建立密度效应模型明显优于利用立木株数为密度指数的模型。本研究的主要创新点有以下4个方面：(1)提出改进的全林整体生长模型系统：借助于GIS技术与地统计学理论，建立了油松地位指数分布图，把林分的空间位置信息和全林整体生长模型结合起来，提高了全林整体生长模型实用性，使得全林生长模拟系统的相容性扩大到了已有林地和未造林地，所以本文称加入多元地位指数模型或地位指数分布图，并且相容性更高的全林整体生长模型系统称为改进的全林整体生长模型系统；(2)基于遗传算法优化神经网络的方法建立了多元地位指数模型；(3)以改进的schumacher方程为基础建立林分断面积生长模型，可以为今后构造林分断面积生长模型提供良好的借鉴作用，从而可以提高全林整体模型的预估精度；(4)基于遗传算法优化神经网络的方法结合平均断面区分求积法测定单株立木材积，在不增加外业的条件下提高了测定立木材积的精度，为提高立木材积的测定精度提供了一种新的研究方法和思路。