森林是全球生态系统的重要组成部分,在全球碳循环中发挥重要作用。利用遥感技术对森林蓄积量/生物量进行估测,对森林碳储量的空间分布和动态变化进行实时监测具有重要意义。当前,微波遥感与光学遥感已广泛应用在反演森林参数方面。高分辨率遥感影像的光谱波段信息较少,但其影像空间信息量较大,可以更好地反应地物的结构特点与规律,有助于分析森林结构参数。SAR雷达数据可以实现全天候全天时对地观测,不受外界环境等因素影响,其中L波段信号可以穿透树木枝叶更好地获取树干信息,对于反演森林蓄积量有重大意义。本文基于高分辨率遥感影像和SAR雷达数据,以福建省三明市将乐国有林场为试验区,探究针叶林、阔叶林蓄积量反演的新方法。首先,提取高分辨率遥感影像的纹理特征值,利用筛选后的纹理因子建立针叶林、阔叶林蓄积量估测模型。其次,基于SAR雷达数据L波段的后向散射信号反演针叶林、阔叶林的蓄积量。最后,联合雷达数据和高分辨率影像构建线性、非线性蓄积量反演模型。主要研究内容和结果如下：1.利用资源三号卫星影像纹理特征值反演蓄积量。基于灰度共生矩阵提取资源三号影像的纹理特征值,分别选取与针叶林、阔叶林蓄积量呈显著相关的纹理特征值,建立蓄积量模型。得到针叶林模型的相关系数为0.871,估测精度为78.94%,均方根误差为27.50t/hm2；阔叶林模型的相关系数为0.702,估测精度为67.84%,均方根误差为36.81t/hm2。针叶林的反演效果好于阔叶林。2.利用ALOS PALSAR极化雷达数据的后向散射参数反演蓄积量。提取L波段不同极化方式下雷达数据的后向散射系数及其比值,分析不同林分蓄积量与雷达参数的相关性,并建立回归模型和指数模型。分析比较得出：针叶林线性回归模型的估测效果较好,模型的相关系数为0.783,预估精度为78.37%,均方根误差为28.31 t/hm2；阔叶林指数模型的估测效果好,模型的相关系数为0.734,预估精度为73.49%,均方根误差为29.11 t/hm2。3.利用资源三号卫星影像与雷达数据联合反演蓄积量。结合资源三号数据的纹理特征值与雷达数据的后向散射系数,分别建立针叶林、阔叶林的联合反演模型,通过构建多元逐步回归、偏最小二乘和BP人工神经网络模型。分析比较显示：针叶林逐步回归模型效果最好,模型相关系数为0.898,预估精度为83.07%,均方根误差为20.45t/hm2；阔叶林BP神经网络模型最好,预估精度为80.14%,均方根误差为21.42t/hm2。联合反演模型较单一数据源模型在一定程度上有效提高了针叶林、阔叶林蓄积量的估算精度。