森林是地球表面几大生态系统中陆地上的最大碳库,作为陆地上的最大主体,吸收了地球大气中大约十二分之一的CO₂,因此在全球碳循环中森林已经成为其关键参与者。随着遥感技术的高速发展,高分辨率遥感影像在林业上的应用越发广泛。这些影像提供地球表面丰富而又复杂的信息,不但包含丰富的空间信息、清晰的几何和纹理构造信息。森林碳储量估计就是利用监测区已有的固定样地调查数据建立估计模型,并对土地覆被类型中为森林的区域进行碳储量估计,以得到碳储量分布图。文中先通过对监测区域高分辨率遥感影像进行分类区分森林范围,然后对森林的碳储量进行了估计。本文主要从三个方面对重庆市南岸区的地上森林碳储量进行了研究。首先基于简单线性迭代聚类（SLIC超像素分割）分割影像,获取影像的最佳分割对象,其次利用决策树分类提取南岸区的土地覆被类型,最后结合历史实地调查数据,建立极限学习机估计模型,反演估计出研究区的森林碳储量。（1）本文的研究区实验数据是高分一号的8m影像数据,利用基于SLIC超像素分割算法对影像进行分割,获取与影像地物边缘高度重合的最佳尺度分割参数。采用区域邻接图的方式将分割结果进行合并,形成多层次影像。（2）针对传统基于光谱信息的遥感图像分类方法对于高分辨率遥感影像特征利用不充分的缺陷。本文使用专家知识CART决策树法对高分辨率遥感影像进行土地覆被分类,综合利用影像上的多种特征（如纹理、植被指数、水体指数等）,提取重庆市南岸区的森林植被分布信息。并将其与ENVI中的基于光谱信息的极大似然法的分类结果进行了比较,结果表明融合了多个影像特征的CART专家知识决策树分类方法拥有更高的精度。（3）结合分类结果与历史调查数据分别构建样地的森林（阔叶林和针叶林）碳储量估计模型,模型采用具有非线性拟合特性的极限学习机。针对针叶林和阔叶林在遥感影像特征上的差异,本文自变量因子方面选取植被相关的植被指数、地形以及影像纹理特征,以碳储量为因变量,构建碳储量估计模型,进一步提升模型的估算性能。通过研究主要得到以下结论:（1）本文采用基于SLIC的超像素分割,分割边界与地物类型保持比较好,在轮廓保持方面优点明显。同时与区域邻接图结合,合并过分割结果,形成多个层次的分类体系,对研究区的土地覆被进行决策树分类。结果表明:分类总精度达到了84.7578%,总体Kappa系数0.8071,高于基于学像元的极大似然法,分类效果较好。（2）依据分类结果中的森林分布,选择极限学习机分别对阔叶林与针叶林构建碳储量估计模型。结果表明:模型精度高于传统的基于BP神经网络构建的碳储量模型,且南岸区森林植被碳储量空间分布基本与土地覆盖一致,植被覆盖度越高的地方,碳储量越大。