树种识别是林业遥感中任重道远的问题,在森林经营管理和森林生态评估等领域更是影响遥感应用效果。高光谱数据以众多的连续窄波段信息蕴涵了区分地物细微光谱差异的潜力,为区分光谱特征相近的树种提供可能。高光谱遥感的出现为解决树种识别难题奠定了基础,探索适宜的高光谱树种识别方法成为新的研究热点。由于不同研究尺度环境复杂程度不同,树木光谱曲线受环境干扰也不同,所以同种树木的光谱曲线在叶片和冠层尺度存在差异。理论上,运用相同的识别方法分别在冠层和叶片尺度识别相同树种组的精度也会不同。如果不能找到一种合适的方法,同时使叶片、冠层乃至遥感尺度树种识别的精度都符合要求,那么实现从“叶片到冠层再到遥感尺度”这种层层递进的树种识别的技术路线便不可行。本文以杉木、马尾松、米槠和香叶树等四种南方常见树种为例,分别从叶片和冠层尺度探讨其光谱特征及其树种识别方法,寻找是否有方案可以同时适宜不同尺度的树种识别。高光谱数据进行树种识别一般需要数据预处理、有效识别特征提取和树种识别三个环节。本文预处理环节选用一阶微分、二阶微分、对数微分和归一化微分四种数学变换及光谱指数和光谱特征参量提取等方法,分析叶片和冠层尺度不同预处理方法各个树种的光谱特征;有效识别特征提取环节选用的是主成分分析的方法,探究叶片和冠层尺度不同于处理方法下高光谱数据对累计方差贡献率随主成分个数增加的速度的影响以及累计方差贡献率和树种识别精度的关系;树种识别环节选用BP神经网络、SVM和决策树-CHAID的识别方法,探究哪些识别方案精度高且同时适用于叶片和冠层尺度。本文的研究成果主要如下:（1）同一树种叶片和冠层尺度的光谱差异主要取决于测量环境,运用对数微分和归一化微分预处理能很好的消除环境噪声,提高不同树种的可分度。（2）主成分方法能很好地提取经过数学变换的光谱数据的光谱特征,但是对于光谱指数和光谱特征参量提取后的光谱数据,特征选择效果不佳。（3）主成分分析方法中累计方差贡献率在90-95%之间时识别精度普遍高。（4）“归一化微分预处理-主成分分析提取光谱特征-决策树-CHAID”和“对数微分预处理-主成分分析提取光谱特征-SVM”等两种树种识别方案在叶片和冠层尺度对四种树识别精度高,识别效果理想且稳定,可作为冠层和叶片尺度实测光谱树种识别的方法。