智能采伐机作为新一代的采伐设备，极大的提高了采伐作业效率，不仅能够按照人们的需求规格把每株树伐倒并进行造材，同时在作业过程中，依靠采伐头及传感器，测量并收集海量的数据，包括每株树被截取木材段的小头直径、长度、体积等，这些数据可以与其他数据源的数据融合为相关研究和实践提供信息。智能采伐头记录的数据不包含单株树的树高和立木的胸径，而森林和生物量建模中树高和胸径是最常用的自变量。因此，本文借助一组包含3251株辐射松的干形数据集，在分析一组采伐头数据特征和一组伐桩数据特征的基础上，构建了一套实验数据，用于分别建立适用于估计基于采伐头数据的单木胸径和树高模型。　　胸径估计模型的建立是首先对实验数据集中每株树都选取30个离地面高度，从0.05 m到2.95 m，间隔为0.1m，通过三次埃尔米特插值方法(PCHIP)获取每株树在这30个高度处的直径，分别建立这30个高度处直径与胸径的数学关系，采用最小二乘法对30个方程进行参数的估计，得到30组转换系数，模型的检验选用额外的29个高度，采用PCHIP方法得到直径，并利用曲线拟合法、线性插值法和近邻插值法三种方式得到29个高度处得到转换系数，并预测胸径。实验结果表明:利用线性插值法得到某个高度处的转换系数来预测胸径时最精确，此外，模型适应性的平均相对误差和总相对误差都在±5％以内，可应用于实际的生产中。　　对于树高的估计，本文提出采用两种模型估计树高，一是利用Varjo模型，并对其中的去皮直径变量替换成带皮直径，以适应采伐作业中数据记录的实际情况;另一种是基于三角函数干形方程，使用迭代的方法估计树高。两个树高估计模型对比结果表明:在预测精度上，替换变量后的Varjo模型整体表现较优，在实际应用中可优先使用该模型;在灵活性方面，基于迭代方法的树高估计模型则表现更好，在部分采伐段信息缺失的情况下，可正常使用该模型，而替换变量后的Varjo模型则不再适用。