森林是地球陆地上最大的、也是最复杂的生态系统,其面积约占地球陆地总面积的三分之一。森林生物量约占地球陆地生态系统总生物量的90%,且其在全球碳循环过程中发挥着决定性的作用,因此可以将森林看作是地球上最宝贵的资源之一。正因为以上原因,研究如何快速、高效地对生物量、蓄积量等森林资源信息进行估测,具有非常重要的意义与价值。遥感(Remote Sensing,RS)技术作为一种非接触的探测技术,可以实现对森林的快速、大尺度、周期性探测,非常适合森林资源信息估测研究。本文以“高分一号”卫星(GF-1)遥感影像为数据源,以甘肃省黑河大野口流域为研究区,对研究区内的森林资源信息进行估测,主要研究内容包括:1、分析从遥感影像上提取的特征与森林生物量之间.的相关关系。从GF-1遥感影像上提取了光谱信息与植被指数作为估测模型的特征变量,对这些特征变量与森林生物量进行相关性分析,结果表明从遥感影像上提取的特征与森林生物量之间的相关性都非常的微弱,因此在基于遥感技术进行森林资源信息估测时,使用非线性方法更为适宜。2、将深度学习方法引入森林资源信息估测领域,提出了一种基于深度学习的森林资源信息估测方法。深度学习作为一种非线性学习方法,已经在诸多研究领域取得了良好的效果。本文在对深度学习相关理论进行叙述的基础上,提出一种利用深度学习构建森林生物量估测模型的方法。并通过实验证明这种方法是可行的,通过与传统基于BP神经网络的估测方法进行比较,可以证明其估测准确度优于传统的基于BP神经网络的森林生物量估测方法。3、通过对实验结果的分析,讨论了当使用较少数量的训练样本进行森林资源信息估测时,估测模型存在的问题与解决方法。森林结构参数的测量非常复杂,导致了森林资源信息估测实验中训练样本数量通常较少。在使用神经网络等非参数模型时,训练样本的质量对估测结果会产生较大的影响。针对这种情况,本文提出了一种随机划分训练样地与验证样地,进行多次实验的方法,对模型进行验证。当对整个研究区进行生物量估测时,可以使用准确度最高的神经网络参数进行估测,保证最好的准确度。