森林作为地球上可再生自然资源及陆地生态系统的主体,为人类的生存和发展供了丰富的物质资源,同时在维持生态平衡的过程中发挥着重要作用。森林空间结构是由众多单木所构成,因此,单木信息的准确取和应用对林业资源的调查和管理具有重要意义。此外,单木树冠的取将有助于树木长势监测、树木生物量估算和树木病虫害预防,树种识别也为森林资源清查和森林地上碳储量估算等供了重要的基础和依据。然而,现阶段的单木树冠取和树种识别技术大多依赖于一些高成本、费时、费力的野外实体调查或根据精度不高的航片进行人工判读。近年来,随着遥感技术的进步,使得人们获取地球空间资源信息的渠道越来越多,信息量越来越丰富,效率也越来越高。其中遥感技术对森林植被的细化研究,为林业资源监测供了高效的应用途径。本文通过地面激光雷达系统捕获的数据可以表现出地物对象的细节信息,对于地物空间结构勘测具有重要影响。本文以南京林业大学校园内部分林业用地和中国海南省儋州市的橡胶实验基地为研究区,通过地面激光雷达扫(terrestrial laser scanner简称TLS)获取树木的光探测和测距(light detection and ranging简称Li DAR)数据为遥感数据源,选取数棵水杉、棕榈、无患子、竹子和橡胶树为研究对象,进行单株分离和树种识别研究。首先采用基于多尺度虚拟网格的滤波算法对Li DAR点云数据进行数据降噪处理以减少后期实验结果的误差累积,然后对处理过的Li DAR点云数据采用比较最短路径算法进行单株分离操作,而后针对分割出的单木出三类有效特征,列举68个特征参数,采用SVM分类器在交叉验证中对训练数据集检验计算确定最优特征参数组,最终根据最优特征参数组在测试数据集中进行树种分类研究,实验过程中的主要结论有:(1)优于传统的基于平面拟合滤波算法、基于坡度滤波算法、基于不规则三角网滤波算法以及基于数字形态学滤波算法,本研究采用的基于多尺度虚拟网格滤波算法能够较好地去除Li DAR点云数据中的错误点和冗余点,在滤波过程中表现良好,最终滤波实验结果的一类误差为8.2%、二类误差为5.36%以及总误差为6.93%,实验结果证明了基于地面激光雷达数据使用该算法进行滤波处理的有效性和可靠性。(2)基于比较最短路径算法进行单木取的召回率为92%、精确率为100%、F值为96%;基于点云分割算法进行单木取的召回率为71%、精确率为97%、F值为82%。通过比较两种算法的取结果,发现前者能够在郁闭度较高的阔叶林中获取更优质的单木分割结果。(3)基于树木相对聚类特征的最优特征参数组进行树种分类的平均分类精度较低(45%);基于点云分布特征的最优特征参数组进行树种分类的平均分类精度有所增长(58.8%);基于树木表观特征的最优特征参数组进行树种分类的平均分类精度较高(63.8%);基于整合三类特征的最优特征参数组进行树种分类的平均分类精度最高(82.5%)。由于水杉区别于其他树种形态差异较为明显,在分类中表现突出,错判率最低(6.7%)。实验结果表明该方法能够达到较高的树种分类精度,证明了采用SVM分类器进行交叉验证的方法具有较高的可行性,为获得更准确的森林树种分布供了强有力的工具。