正确识别树种对合理规划、利用和保护森林资源具有重要的意义。近年来,基于高光谱遥感技术的森林树种识别已成为林业遥感研究的热点。在国内外的众多研究成果中,只是对单一季节和同一地域的树种建立高光谱识别模型。然而,季节和地域的变化会影响高光谱模型对树种的识别结果。针对这一问题,本文基于叶片高光谱图像开展对不同季节和不同地域树种的识别研究,旨在建立出一种适应于不同季节和不同地域的高光谱树种识别模型,并且挖掘更为有效的高光谱降维和识别算法。本文主要以北京林业大学校园内的树种为依托,共采集了50个树种的叶片样本,并对其中20个树种开展了不同季节(春季、夏季和秋季)的识别研究,对其中5个树种开展了不同地域(北京林业大学和河北省武安市西岭湖公园)的识别研究,进而对上述50个树种建立了高光谱树种识别模型,并使模型能够对不同季节和不同地域的树种进行识别,且能够保证对每个树种有较高的识别精度。本文的研究内容及结果如下:(1)通过对不同季节和不同地域树种叶片高光谱响应及建模分析表明:季节变化和地域变化会对树种叶片的反射光谱产生显著影响,尤其在760-1000 nm的近红外区域的反射光谱存在明显差异,且在单一季节和同一地域建立的模型对树种的识别结果均受到了季节变化和地域变化的显著影响。当在模型中加入不同季节和不同地域的光谱信息后,模型的识别精度得到了显著提升。(2)利用不同预处理方法对高光谱原始数据进了预处理,通过对比发现:经对数变换与一阶导数结合的方法预处理后的光谱数据所建立的模型分类性能最优。(3)针对基于排序的聚类方法所选择的波段子集容易陷入局部最优解的问题,本文提出了一种基于共享近邻与相关性分析(SNNCA)的波段选择方法,并与多种波段选择方法进行了对比,结果表明:SNNCA方法所选择的特征波段取得了最优的分类效果。(4)针对Tikhonov正则化项能够有效提高协同表示分类模型的分类性能,但却降低了算法的运行效率这一问题,本文提出了一种基于欧氏距离的Tikhonov正则化自适应协同表示分类器(EDACRT),并与多种传统算法在全波段与特征波段下的分类性能及运行时间进行对比,结果表明:EDACRT方法在全波段与特征波段下均取得了最优的分类效果,在全波段下的总体精度(OA)、平均精度(AA)及Kappa系数(Kappa)分别达到了94.46%、95.97%及94.29%,在特征波段下OA、AA及Kappa分别达到了85.02%、87.80%及84.56%,且EDACRT方法比CRT方法的运行效率在全波段与特征波段下分别提高了22.5%和27.45%。(5)针对纠错输出码(ECOC)算法的随机稀疏编码矩阵中的0位会对ECOC算法分类性能产生影响这一问题,本文提出了基于监督机制的ECOC算法(SM-ECOC),即SM-ECOC-V1和SM-ECOC-V2算法,并与多种传统算法在全波段与特征波段下的分类性能进行对比,结果表明:所提出的SM-ECOC-V2方法在全波段与特征波段下均取得了最优的分类效果,在全波段下的OA、AA及Kappa分别达到了96.98%、97.68%及96.88%,在特征波段下OA、AA及Kappa分别达到了93.89%、95.24%及93.70%。本文所得出的结论和所提出的方法为高光谱遥感技术对森林树种的精细识别以及高光谱图像对其他地物的识别提供了理论依据和技术参考。