森林生态系统在调节气候、存储碳能源等方面有重要作用,森林结构参数作为森林生态系统的基本数量表征,能够实现森林生态系统的动态监测、反映森林的生产力水平。其中,林分平均高和森林生物量是研究林业问题不可或缺的森林结构参数。随着遥感技术在林业上的深入应用,利用光学遥感数据和LiDAR数据获取林分平均高、森林生物量已成为研究热点。现有研究多使用线性回归方法估算林分平均高、森林生物量,但该方法要求样本数据分布满足假设限制,而实际调查数据又难以达到限制条件;机器学习算法在模型训练中对数据有更强的解释能力,能够适应森林生态系统的复杂性与多样性。因此,在不同遥感数据源的情况下,引入机器学习算法,讨论机器学习算法构建森林结构参数估算模型的预测效果,分析机器学习算法内部差异性对森林结构参数估算精度的影响是必要的。本文以吉林省汪清县为研究区,以LiDAR数据、Landsat 8 OLI数据和地面调查数据为数据源,提取与研究目标相关的多组变量,并基于随机森林算法进行特征重要性分析,利用BP神经网络算法中两种训练算法（L-M算法、贝叶斯正则化算法）、SVM支持向量机三种核函数（线性核函数、RBF核函数、多项式核函数）分别建立以LiDAR数据为基础的林分算术平均高、林分加权平均高估算模型,以Landsat 8 OLI数据为基础的森林生物量估算模型、以LiDAR数据结合Landsat 8 OLI数据为基础的森林生物量估算模型。综合对比分析各模型估算结果可知:（1）基于LiDAR数据估算林分平均高。基于不同机器学习算法建立的林分加权平均高估算模型比林分算术平均高估算模型的精度有明显提升;采用BP神经网络算法中L-M训练算法建立的林分加权平均高模型具有更好的估算效果。（2）基于Landsat 8 OLI数据估算森林生物量。BP神经网络算法较之SVM支持向量机算法,对模型具有更好的拟合能力;采用BP神经网络算法中的贝叶斯正则化训练算法时,森林生物量估算模型的精度最佳。（3）基于LiDAR数据和Landsat 8 OLI数据估算森林生物量。LiDAR数据和Landsat 8 OLI数据的结合应用能够提高森林生物量估算模型的精度;在模型构建中,将LiDAR数据以预测平均高的形式引入因子组合更有助实现森林生物量精确估算;采用BP神经网络中贝叶斯正则化算法构建的以预测平均高为基础因子的森林生物量模型的预测精度最佳。本研究以汪清县的针叶纯林为研究对象,在预处理LiDAR数据和Landsat 8 OLI数据基础上,提取多组变量,采用随机森林算法对变量进行优选,最后结合地面实测数据构建林分平均高、森林生物量估算模型并验证精度。综合分析实验结果可知:机器学习算法能够较好地对数据进行解释,其构建的多种森林结构参数估算模型有较强的预测能力;BP神经网络和SVM算法在训练不同森林结构参数模型时,对数据的解释能力有所区别;对同一种机器学习算法来说,不同的训练函数或核函数间存在差异性,对模型的精度有一定的影响。