机载高光谱遥感是一种被动方式的遥感,兼具高空间分辨率和高光谱分辨率的特点,可以很好地刻画地物的纹理和光谱信息。本研究使用光谱范围为400-1000 nm的AISA EagleⅡ高光谱影像对孟家岗林场的主要树种进行识别。在进行分类时,综合使用反映植被体内各种色素含量差异的植被指数和反映树冠冠层结构的纹理因子,分别使用最小噪声分离方法(Minimum Noise Fraction,MNF)和递归特征消除法(Recursive Feature Elimination,RFE)对高光谱影像进行降维。将所提取的不同的特征进行组合,探究不同的特征对于树种分类精度的影响。机载高光谱影像在获取过程中,其飞行高度在云层以下,影像获取过程中容易受到云层的影响,特别是对于林区来说,天气变化较快,受云影响的可能性更大。在进行分类时,对阴影区与非阴影区影像分别进行分类。本研究的主要结果及结论包括以下方面:(1)对于基于纹理特征变换和基于光谱特征变换的两种纹理特征提取方法来说,在使用样地数据进行验证时,基于纹理特征变换的分类结果的总体精度和Kappa系数为97%,比基于光谱变换的纹理提取的分类方法提高1%。使用林相图对四种主要的针叶树种进行验证时,基于纹理特征变换分类结果的总体精度和Kappa系数分别为91%和0.87,比基于纹理光谱变换提取纹理信息方法的分类精度和Kappa系数分别提高了2%和0.02。说明基于纹理特征变换提取的纹理信息对于树种识别精度的提高更有效。(2)对于非阴影区来说,使用样地数据验证和林相图数据进行验证时,MNF与植被指数和纹理信息组合的分类精度都要高于RFE降维方法与植被指数和纹理信息组合的分类精度,说明MNF变换后的影像更适合于四种针叶树的分类。纹理信息与两种降维方法组合的分类精度都要高于植被指数与两种降维方法组合的分类精度。说明纹理信息对于提高四种针叶树种具有更大的潜力。(3)对于阴影区来说,使用林相图数据进行验证时,MNF分别与植被指数和纹理特征组合的分类精度要高于RFE方法与植被指数和纹理特征组合的分类精度。说明经MNF变换更适合AISA EagleⅡ高光谱阴影区影像树种的分类。纹理信息与两种对应的降维方法组合的分类总体精度分别要高于植被指数与两种对应的降维方法组合的分类的精度。说明对于阴影区来说,相对于植被指数,纹理信息对于提高森林树种的分类精度贡献度更大。(4)使用林相图对全林场的分类结果进行验证,其分类的总体精度为84.1%,说明机载高光谱影像在树种分类方面具有很大的应用潜力。(5)通过对阴影区和非阴影区的分类精度进行分析可以看出,其分类精度最高的组合都是MNF变换与纹理信息组合。说明在以后的分类中,阴影区和非阴影区可以选择相同的特征分别进行分类即可。