在森林结构中,诸如胸径、树高和冠幅等林分因子,是调查森林资源的基础工作,也是评估森林生物量的基本参数。传统的森林调查通过人工每木检尺来实现,存在工作强度大、效率低等缺陷。近几年,无人机遥感技术以其便捷的作业方式和低成本获取数据等优势快速发展,在多种行业引起了较为广泛的关注。基于计算机视觉技术的无人机影像处理技术不断成熟,为基于无人机影像的森林遥感研究提供了新的发展契机。本文以西北农林科技大学北校区银杏林、篮球馆和大叶黄杨为研究对象,研究无人机影像数据在林分因子调查中的应用,结合冠幅(Crown Width,CW)、树高(Tree Height,H)和胸径(Diameter at breast height,DBH)的人工实测数据,并且选取了几种常用指数(r、g、b、RGRI、GLA、NGRDI、EXGR和VARI),利用多种组合方式和数学建模方法,建立不同类型的胸径预测模型,并根据不同的评价指标对模型进行综合评价。此外,还对比分析了基于无人机遥感的不同地物三维重建方法,取得了以下研究成果:(1)对于Context Capture和Agisoft Photoscan两种三维重建方法,无论是在篮球馆还是大叶黄杨的三维重建中,前者的表现均优于后者;对于篮球馆和大叶黄杨两种地物,无论是使用Context Capture还是Agisoft Photoscan生成两种物体的三维模型,篮球馆的误差值均小于大叶黄杨的误差值,表明篮球馆用于三维重建的恢复力更强。(2)获得了研究区的正射影像图和三维点云模型并提取单木冠幅和树高。对无人机搭载相机获取的影像,使用运动恢复结构(Structure from motion,SFM)算法和区域网平差技术进行空三处理,生成研究区的正射影像图和点云数据集。通过多尺度分割算法调整合适尺度对银杏树冠进行有效分割并提取单木冠幅,通过Arc GIS使用目视解译法得出冠幅值;使用ENVI Li DAR对生成的点云数据集进行处理生成样地三维点云模型,进而快速提取单木树高。(3)完成了单木树冠冠幅和树高的估测。将冠幅和树高的无人机提取值与人工实测数据对比,结果显示冠幅和树高被低估的居多,通过建立不同数学模型,并分析评价指标,选择最优冠幅和树高提取结果。其中冠幅估测值相差在±0.5 m范围内,其中二次多项式的预测效果最好,决定系数(R~2)达到0.749,均方根误差(RMSE)值为0.369 m,平均绝对误差(MAE)为0.295 m;树高估测值相差在±3 m范围内,其指数函数预测模型的预测效果最好,决定系数(R~2)达到0.694,均方根误差(RMSE)最小为0.528 m,平均绝对误差(MAE)最小为0.335 m。(4)建立了一元胸径预测模型(CW--DBH、H--DBH)、二元胸径预测模型(CW&VI--DBH,H&VI--DBH,CW&H--DBH)和三元胸径预测模型(CW&H&VI--DBH)。根据不同的分析和评价指标,得出胸径的最佳预测模型为三元模型(CW&H&VI--DBH):DBH=1.207*CW+0.728*H+12.367*VI+4.098,其中VI代表的指数为归一化红光r,该预测模型的R~2达到0.888,RMSE为0.433 cm,MAE为0.325cm。此外三元预测模型的精度相较于一元预测模型的精度也有了较大的提升,R~2由最低的0.630提升至0.888。研究表明无人机数据可有效提取树冠冠幅和树高,结合植被指数可预测得到较高精度的胸径值,从而实现生物量估算,为森林资源的自动化调查和监测提供了新思路。