城市森林在城市生态系统中占据重要地位,它不仅能美化城市环境,还有助于保护生物多样性和维持生态平衡。有效的城市森林经营管理是保证其可持续发展的基本要求。传统的城市森林管理通常需要投入大量物资和劳动力开展实地调研,或借助高光谱遥感数据探测地表植被进行资料统计,这些方法往往受到数据源获取与数据质量的限制。谷歌地球（Google Earth）以直观的三维视角展示全球范围内的地理空间数据,能有效地监测城市森林的覆盖情况并收集树木信息。其获取数据的方式更加快捷、高效,能很大程度上避免人力和时间的浪费,因而能在一定程度上代替传统的城市森林数据获取方法。Mask RCNN（Mask Regions with Convolutional Neural Network）网络模型是卷积神经网络中较前沿的算法,它在图像识别,尤其在高分辨率影像的目标检测上表现优异,且具有良好的稳定性和检测精度。因此,本研究利用Mask RCNN进行建模和测试,对Google Earth影像上的树冠进行检测识别。此方法将深度学习的目标检测方法应用于城市森林研究,针对城市林业中树木的统计和管理问题提出了新的思路和监管模式,可为城市生态环境中的生物量估算和固碳研究提供必要的数据,对城市森林经营管理具有巨大的现实意义。本研究以美国中央公园（Central Park）作为研究区域,该公园是城市森林的典型代表。利用中央公园的Google Earth图像数据集,使Mask RCNN网络模型自主学习城市森林树冠特征,实现城市森林单个树冠的自动判识和树木数量统计。通过对样本进行人工肉眼判别和谷歌街景图像对比,验证了模型检测的准确性。研究结果表明,以Mask RCNN方法为基础,结合Google Earth影像,可以构建城市森林树冠识别模型并检测出城市森林树冠的数量和单个树冠面积。主要研究结论如下:1.基于Mask RCNN卷积神经网络算法,利用选取的部分（约10%）中央公园Google Earth子图像作为训练集,模型通过自主学习城市森林的树冠特征来实现城市森林树冠的自动检测识别。以中央公园的全部Google Earth子图像作为测试集放入模型,输出中央公园的所有树冠信息,包括树冠位置、边界及面积。模型识别树木类别的总体准确性为89.7%,共识别出5491棵独立的树木,被检测出的树冠总面积为975252平方米。2.该方法能较准确地检测出城市单株森林树冠信息。在随机选取的子图像样本中,根据肉眼识别出的树冠数量和手工测算的树冠面积得出模型的检测误差,推算出模型的整体树冠漏判率和树冠面积误差分别为15%和3.27%。基于此误差修正后的中央公园的树木数量和树冠面积估计分别为6443棵和996745平方米。总体来看,该模型能为城市森林管理中树木信息统计提供一种新的方法。3.谷歌街景能有效地协助本研究进行模拟实地的树冠面积调查。以某一子图像（编号130）中的树冠面积为例,基于谷歌街景视图的样本观测可得出:树冠面积的模型检测值和街景观察值之间的平均误差约为27.76%,其中约80%的模型估算值略高于街景观察值。总之,该模型为城市林业中树木调查和统计提供了一种新的而且经济有效的方法,为今后深度学习在森林领域的进一步应用提供了参考,同时为城市生态系统服务功能的研究提供科学基础。