本文以建德市为研究对象,利用2007年Landsat TM、2013年Landsat 8 OLI遥感数据和2007年森林资源二类小班调查数据,经过数据预处理后,首先通过面向小班对象的两次影像分割和两次变化信息提取进行森林资源变化遥感监测;然后分不同树种类型和立地质量类型的小班组合,进行蓄积量的遥感估测,研究结果得到的主要结论如下:1.利用棋盘分割法对影像进行大尺度分割,得到以小班为单位影像图斑,提取相关特征值,利用ROC曲线阈值法得到植被减少、增加和不变的小班。经过第一次分割和变化信息提取共有1322个植被发生变化的小班,其中植被减少的小班1059个、植被增加的小班263个,提取精度分别为95%和89%。2.对植被减少和增加的小班内部分别进行多尺度分割,其中利用局部方差思想选取各自的最优分割尺度,得到以像斑为单位的斑块。提取相关的特征值,再次利用ROC曲线阈值法,进行变化信息细提取,得到植被未变化、局部变化、全变化的三种类型。经过第二次分割和变化信息细提取后,1322个发生变化小班被分割成2552个像斑,共6398.49公顷,其中植被减少的像斑1441个面积为3058.63公顷,植被增加的像斑268个面积为912.22公顷,植被未变化的像斑843个面积为2427.64公顷。1059个植被减少的小班,被分成2195个像斑,其中局部变化的像斑701个、全变化的像斑740个,未变化的像斑754个;263个植被增加的小班被分割成357个像斑,其中局部变化像斑198个,全变化的像斑70个,植被未变化的像斑843个,表明该5年间建德市的林地植被覆盖度有所减少。3.面向森林资源二类小班数据的变化信息提取中有关最优分割尺度的选取以及最佳变化特征值阈值的提取,分别采用了局部方差分析法和ROC曲线阈值法,不仅减少了人工经验判别工作量大、误差大、低效率和不确定性等所带来的不利影响,而且提高了变化检测的自动化程度,大大的提高了变化检测的精度。4.运用地位级法,依据小班属性信息中的小班平均年龄和平均高,分不同优势树种建立各小班的立地质量等级,结果表明选取对数曲线H=a+bln(A),作为各优势树种地位级导向曲线的最优模型。通过对遥感因子与蓄积量的相关性分析及方差扩大因子分析,得出TM影像主成分分析得到的第一主成分相关性最好,并以此作为自变量。5.分树种类型和立地质量类型的小班组合进行森林蓄积量遥感估测,结果表明各优势树种分不同立地质量等级比不分地位级的蓄积量遥感估测精度有明显提高。结果如下:只分树种类型的蓄积量遥感估测精度硬阔树为73.2%、杉木为90.3%、松树为87.6%。分树种类型又分立地质量类型的蓄积量遥感估测精度:硬阔立地质量中等以上为78.2%,硬阔立地质量中等以下为89.3%;杉木立地质量好的为96.1%,杉木立地质量中等的为97.2%,杉木立地质量差的为95.6%;松树立地质量好的为94.1%,松树立地质量中等的为95.3%,松树立地质量差的为92.3%。研究结果为森林蓄积量遥感估测提供一种改进的思路,且为提高森林生物量和碳储量遥感估测精度提供一种参考方法。