由于人类活动的影响大气中的二氧化碳(C02)等气体的含量不断增加,使我们周围的环境发生了一系列的变化。森林是陆地生态系统中最大的碳储库,森林可以通过光合作用使大气中的二氧化碳含量减少,因此精确估测森林碳贮量对环境的影响至关重要。森林碳贮量值通常利用森林生物量值进行转换,为森林生物量的47%左右,森林的生物量与森林的高度和森林的类型有着直接关系。传统上,森林冠层高度主要是通过实地调查获取,该方法不仅成本高,且费时费力,难以在短时间内获取大区域尺度的数据。近年来,国外已经就LIDAR数据在林业应用领域进行了大量的尝试,取得了较大的进展,特别是在树高探测方面做了很多的研究。结果显示大光斑的激光雷达在探测树高方面具有其他遥感技术无可比拟的优势。但应用LIDAR数据对森林类型分类的研究比较少。为研究LIDAR数据对森林类型分类情况和合理的应用LIDAR数据对森林生物量进行研究。因此本文应用ICESat-GLAS (Ice, Cloud and Land Elevation Satellite-Geoscience Laser Altimeter System)数据对森林类型的分类进行了初步的研究,将为研究森林的生物量和大气中的二氧化碳含量变化有一定的帮助作用。本文的研究如下：(1)首先下载ICESat-GLAS数据,将数据从二进制格式转换成10进制,然后根据GLA01和GLA14数据中相同部分将数据进行匹配,将转化的的波形数据进行滤波操作,对波形进行高斯分解。最后形成一套完成的ICESat-GLAS数据预处理的方法。(2)将高斯分解后的波形曲线分成了植被回波和地面回波。在进行高斯分解后提取了每个高斯曲线的波形信息。提取的具体波形信息如下,高斯分解后每个高斯曲线的波形起波点、高斯曲线峰值处对应的电压值和高斯曲线峰值电压值处对应的时间值。(3)我们依据在高斯曲线中提取的波形信息,进行分类参数的转化,在转换后我们获得了分类的参数。用于对森林类型进行分类的参数如下,分解后的第一个高斯曲线的斜率、植被冠层对应的高斯曲线的斜率均值、植被冠层对应的高斯曲线的斜率改进均值、植被冠层对应的高斯曲线的斜率标准差、植被冠层对应的高斯曲线斜率的改进标准差。(4)本文应用了K近邻的方法将2种森林类型中提取的的不同参数组进行了森林类型的识别,研究发现,应用参数组二进行森林类型识别时,阔叶林的分类精度为91.67%,针叶林的为33.33%,总的分类精度为77.78%,kappa系数为0.2899。应用参数组五进行分类时阔叶林的分类精度为95.85%,针叶林的分类精度为40%,总的分类精度为82.54%,kappa系数为0.4268。在对五组参数进行森林类型分类时参数组二的分类效果最差,参数组五的分类效果最好。应用了支持向量机分类方法对从2种森林类型中提取的的不同参数组进行了森林类型的识别,研究发现,应用参数组二进行森林类型识别时,阔叶林的分类精度为95.83%,针叶林的为33.33%,总的分类精度为80.95%,kappa系数为0.3571。应用参数组五进行分类时阔叶林的分类精度为97.92%,针叶林的分类精度为40%,总的分类精度为84.13%,kappa系数为0.4643。在对五组参数进行森林类型分类时参数组二的分类效果最差,参数组五的分类效果最好。以上研究过程可为ICESat-GLAS波形数据预处理和应用大光斑激光雷达波形数据对森林类型进行识别提供理论基础。为研究基于大光斑激光雷达数据对森林类型进行识别、对森林的生物量和碳贮量进行精确估测做出帮助。