森林蓄积量是评价森林质量的重要指标,传统地面调查主要采用人工抽样方法,费时耗力、成本高昂,严重制约了森林调查效率。随着遥感技术的快速发展,采用遥感影像和地面实测样地相结合的方法估算森林蓄积量成为重要手段。本文以内蒙古旺业甸林场为研究区,在对样地进行森林蓄积量调查基础上,利用中、高分辨率的光学遥感数据（Landsat 8、GF-2）结合C波段双极化SAR数据（Sentinel-1）,分别建立多元线性回归（MLR）、多层感知机回归（MLP）、k-近邻回归（KNN）、支持向量机回归（SVM）及随机森林回归（RF）模型,估测了内蒙古旺业甸林场的森林蓄积量,并制作了森林蓄积量空间分布图。本研究使用多种遥感数据相结合估测森林蓄积量的方法有效地提高了估测精度。本文主要研究结果如下:（1）不同遥感数据提取的纹理因子和光谱因子等特征变量对森林蓄积量的敏感程度不同。其中,Landsat 8影像的纹理因子与森林蓄积量的相关性要略高于光谱因子;GF-2影像的光谱因子与森林蓄积量的相关性要略高于纹理因子;Sentinel-1影像提取的不同极化方式下后向散射系数比值与森林蓄积量的相关性要略高于单一极化的后向散射系数。（2）在利用单一光学遥感数据估 测森林蓄积量时,Landsat 8数据估测森林蓄积量的能力要优于GF-2数据。基于Landsat 8估测森林蓄积量的最优模型为多元线性回归模型,估测精度（EA）为69.06%,基于GF-2估测森林蓄积量的最优模型为支持向量机回归模型,估测精度（EA）为 65.80%。（3）极化SAR数据的加入能有效改善森林蓄积量的估测精度。基于多源遥感数据估测森林蓄积量的最优模型为支持向量机模型,估测精度（EA）为71.46%。Sentinel-1数据的加入使模型的平均估测精度达到了 69.40%,相对于Landsat 8数据来说提高了 2.44%,相对于GF-2数据来说提高了 5.67%。（4）支持向量机（SVM）算法在5种森林蓄积量估测模型中表现出了较大的优势。在利用单一光学遥感数据和多源遥感数据估测森林蓄积量的过程中,支持向量机回归模型相较于其他4种模型有着较高的估测精度,说明该模型具有较强的泛化能力,在森林蓄积量遥感估测方面具有较大潜力。（5）利用多源遥感数据估测森林蓄积量的最优模型为支持向量机回归模型,制作了研究区的森林蓄积量反演图。得到了旺业甸林场森林蓄积量的空间分布规律:森林蓄积量高的地区主要分布在西部和东南部;森林蓄积量低的地区主要分布在人为活动较多的西北部、中部及北部。