高分辨率卫星遥感影像和LIDAR点云数据是林业应用领域中使用非常广泛的两种数据。这两种数据都可以用来检测单棵树信息,但各自具有相应的适用性。高分辨率卫星遥感影像较容易获取,数据涉及的范围大,可以用来获取树木的位置信息,冠层面积信息,但缺少树木高度等较为精确的测量信息。利用LIDAR点云数据则可以检测得到树木的三维信息,但是数据采集的成本较高。采用这两种遥感数据检测单棵树信息都面临着参数依赖性强、检测结果精度不够高的问题。本文针对这些问题,面向高分辨率遥感影像和LIDAR数据,开展单棵树木检测技术研究,研发了基于多源遥感数据的树木检测系统。本文的主要研究内容有:1、为了在高分辨率卫星遥感影像中更好地提取出树木信息,本文提出了基于级联神经网络的单棵树检测方法。首先,本文通过采用BP神经网络方法检测单棵树来降低方法的参数依赖性,提升方法的泛化性能,然后为进一步提升方法的识别精度,本文选取能量、熵、均值、偏度、峰度这5个特征,加入到BP神经网络模型中,构成一个级联神经网络模型来检测树木,从而达到降低树木误识率和漏识率的目的。本文选取了6个实验区域作为测试区域,实验结果表明,级联神经网络方法的检测效果良好。2、为了提高利用LIDAR点云数据检测树木的准确率,本文提出了基于梯度方向聚类的单棵树检测方法。该方法首先对点云数据进行栅格化,生成实验区域的数字表面模型。然后计算数字表面模型的梯度方向,并利用梯度方向对数字表面模型进行聚类,得到单棵树的备选集。最后根据密度特征对单棵树的备选集进行筛选。本文将该方法和其他检测方法在NEWFOR项目的公开数据集上的检测结果进行了比较,实验结果表明,该方法具有较好的检测效果。3、本文设计完成了基于多源遥感数据的树木检测系统,将上述两种单棵树检测方法进行了集成和实现。系统可以处理高分辨率遥感影像数据和LIDAR点云数据,从中检测出树木的位置信息、树木冠层大小信息和树木高度信息。