自发展以来,合成孔径雷达（Synthetic Aperture Radar,SAR）在林业上的应用和研究在国内外就广受关注,作为主动遥感,有独特的优越性,具有林冠穿透能力,且不受气候影响。该技术的出现给林业调查在森林垂直结构的探索方面带来了突破性的进展。本文利用C波段GF-3和L波段ALOS PALSAR2双极化数据,结合地形变量和树种哑变量,采用支持向量机回归（SVR）等模型,反演旺业甸林分蓄积量,探究不同SAR数据组合方式在森林蓄积量估测方面的优势和特点。研究结果表明:（1）不同数据源与旺业甸各林分蓄积量的相关性有显著差异。与GF-3 SAR数据相比较,ALOS-PALSAR2数据与总林分蓄积量的相关性更好,两者相关性范围在0.30～0.51之间,且各自的HV后向散射系数比HH对总林分蓄积量的敏感性更高;两种SAR数据皆对油松蓄积量表现出较高的敏感性,其中GF-3 SAR对油松蓄积量尤为敏感,其HH、HV极化比值与油松蓄积量的相关系数接近0.60;两种SAR数据与落叶松蓄积量的相关性较低。地形变量中S2N（南北坡度）、Altitude（海拔）等与各林分蓄积量也具有较好的相关性,两者的相关系数多处于0.30～0.62之间。（2）基于不同数据组合建立SVR模型估测旺业甸各林分蓄积量,得到的反演精度也显著不同。实验结果表明,地形辐射校正后的ALOS-PALSAR2影像结合地形变量估测总林分蓄积量时,可得到最好的反演水平（RMSE、RRMSE、精度 P、R2 分别为 60.77m3/ha,28.43%,74.35%,0.44）,稍优于利用 GF-3 SAR 数据估测总林分蓄积量的最佳反演结果;地形辐射校正前的GF-3 SAR影像结合地形变量对油松蓄积量的反演精度最高,其RMSE和RRMSE分别为58.25m3/ha和25.87%,精度P和R2分别达74.21%和0.54;基于不同数据组合估测落叶松蓄积量时所得的估测精度均不高,RMSE皆超过63m3/ha,R2都低于0.30。两种SAR结合建立SVR模型估测各林分蓄积量时没有明显提高模型的反演精度。（3）基于最佳估测结果对应的SAR数据,加入SAR纹理特征,能够得到更好的反演精度。实验得出对估测精度起主要贡献作用的因子有HHdB、CX2、HVMean、S2N、W2E2和Altitude2,利用多元线性逐步回归、随机森林和支持向量机回归模型皆可达到不错的估测水平;其中基于SVR模型所得估测结果最佳,其RMSE和RRMSE分别为51.34 m3/ha和21.51%,精度P和R2分别高达78.65%和0.71,该结果与前文的最佳反演精度相比,RMSE降低了 11.86%,精度P提高了 5.98%。