在森林资源调查中,机载激光雷达数据可以有效地刻画森林三维结构,准确的估测林分参数和探测森林结构,不仅成本低,时效性好,而且能在大范围区域对森林资源监测进行作业。本研究以中国广西一个面积23.76万km~2的区域为研究区,该区域物种丰富、森林结构较复杂。精确地获取亚热带地区森林结构信息和森林蓄积量,为森林可持续经营、维护生物多样性和碳平衡等功能提供基础数据。本研究采用了2016年10月至2020年1月对全区采集的机载激光雷达数据,并对应激光雷达获取时间布设样地调查数据。对激光雷达数据进行预处理,得到数字高程模型,并用数字高程模型对点云数据进行归一化处理,基于归一化点云数据提取特征变量。然后对不同森林类型研建激光雷达数据的林分蓄积估测模型:根据提取的激光雷达高度变量、密度变量和垂直结构变量,三组数据对模型进行有规则的组合,构建多元回归乘幂模型。每组森林类型或结构的3-5个变量的模型共84个,采用留出法进行模型适应性评价（70%训练模型,30%独立性检验）。根据误差分析,得到各森林类型的最优模型。基于高度变量和密度变量,使用分类算法对森林结构分类,使得每一类的林分三维结构基本一致。对同一森林类型不同垂直冠层结构的杉木林和马尾松林研建蓄积量估测模型。进而探讨不同森林类型间蓄积量估测精度和同一森林类型不同垂直冠层结构之间的蓄积量估测模型精度的规律,得到以下结论:（1）本研究基于机载激光雷达数据对不同森林类型研建林分蓄积估测模型。发现不同森林类型间桉树林的估测模型精度最高（r RMSE=19.14%,R~2=0.80）;阔叶林估测模型精度最低（r RMSE=36.08%,R~2=0.60）;马尾松的估测模型精度较高（r RMSE=19.69%,R~2=0.82）;杉木林的估测模型精度其次（r RMSE=22.23%,R~2=0.74）。通过机载激光雷达数据提取的点云特征变量,能够对不同森林类型蓄积精准估测。（2）基于激光雷达的高度变量和密度变量使用分类算法对森林结构进行分类,本次分类样本总量为1195个,其中127个为幼林样地,分层样本量1068个。森林结构分类算法结果单层林得720个样地,真实验证数据有688个,用户精度高达98.98%;分类算法得复层林样地348个,真实验证数据有380个,用户精度为89.73%;分类总体精度为95.69%,kappa为0.90,说明本研究分类结果精度较高。（3）使用分类算法得到杉木和马尾松单层林和复层林样本数据,以上述方法构建蓄积估测模型。结果表明:杉木单层林估测模型精度较高（r RMSE=18.50%,R~2=0.71）,杉木复层林估测模型精度次之（r RMSE=20.53%,R~2=0.68）,相对于不分层样本估测的最优模型而言,单层林的误差（r RMSE）降低了3.73%,复层林的误差降低了1.7%;而马尾松复层林估测模型精度相对较高（r RMSE=17.31%,R~2=0.88）,马尾松单层林估测模型精度次之（r RMSE=18.42%,R~2=0.78）,相对于不分层马尾松林而言,单层林的误差降低了1.27%,复层林的误差降低了2.38%。森林垂直冠层结构分类后,估测蓄积精度提高。森林垂直冠层结构分类估测在森林资源调查和生态环境保护中具有广阔的应用前景。