杨树因其生长快、轮伐期短、易于定向培育等特点而深受群众喜爱。江苏省目前提出要大力改善江苏的生态状况，考量改善与否一个非常重要的指标就是江苏的森林覆被率，而快速提高森林覆被率的有效手段就是大面积造林。由于杨树独特生物学习性，因而成为江苏的主要造林树种之一。杨树造林对于快速提高江苏的森林覆被率、增加当地农民的收入和地方财政收入具有重要意义。为了实现江苏杨树产业的健康、可持续发展，就必须对杨树产业发展进行科学合理的规划，而规划的前提就是提取江苏杨树资源现状。传统的获取现状的方式是大面积、高强度的地面人工调查，这种资源调查方式费工费时、调查成果的主观性强。由于遥感技术具有宏观、客观、快速高效和动态监测等优点，因此，利用遥感技术结合GIS、GPS进行杨树资源调查就成为现代资源调查的有效方式。本文通过对研究区ASTER原始数据的统计分析以及研究区主要8种地物类型的特征光谱分析，深入掌握了ASTER原始9个波段数据对研究区地物间可分性的表达能力。在此基础上，针对ASTER各波段覆盖的光谱范围，进行了主成分融合、逆主成分变换、HIS融合、MNF变换、小波融合、植被指变换数及LBV变换，共生成了37个特征图像，加上原始9个ASTER波段共46个波段，这构成了本文研究的遥感数据基础，为后续的遥感分类研究和杨树测树因子建模和空间成图奠定了数据基础。此后，针对46个波段进行了统计分析如标准差计算、信息量计算、最优指数计算，特别是进行了基于J-M距离和变换离散度的主要地物的可分性分析，经过分析发现，由NDVI、RVI、PVI和MSAVI构成的植被指数组合在研究区主要地物类型间的可分性和杨树与其它主要地物类型的可分性上性能最优，于是确定植被指数组合是后续分类的最优波段组合。在对主要地物类型训练区采用自行设计的“基于均值和标准差剔除‘异己’像元”的训练区精练方法进行训练区纯化后，本文进行了基于最大似然法分类器、神经网络分类算法和决策树分类算法对研究区8种主要地物类型的分类提取研究，并利用野外验证样地进行分类精度的评价。