针对森林复杂冠层结构和林分高密度下遥感树种识别精度不高问题，选取皖东林区为研究区，基于高分五号AHSI、高分六号PMS影像、数字高程模型、森林资源调查数据等多源信息提取各类分类特征因子。利用JM距离和线性判别分析选出树种识别的最佳特征因子。提出并构建3D残差卷积神经网络(3D-RCNN)树种识别模型，并结合特征组合方案进行精度验证，以评价3D-RCNN模型性能，并探究特征因子对树种识别精度的影响。论文主要研究成果如下：
　　(1)通过类间可分性和线性判别分析，从461个分类特征中选择51个特征作为树种识别最佳特征因子，光谱特征、纹理特征、植被指数和地形特征的数量分别是26、12、10和3。光谱特征集中有11个属于近红外长波谱段，9个属于近红外短波谱段，6个属于可见光波段；纹理特征集内均值4个，角二阶矩和熵各3个，均匀度和相关性各1个；植被指数特征集表征叶色素和表征冠层含水量的指数各3个，表征绿度的指数2个，表征碳衰减和光利用率的指数各1个；地形特征分别是高程、坡度和坡向。
　　(2)基于3D-RCNN算法构建树种识别模型如下：像元块大小为17×17×L输入层(L为输入样本光谱维度)、5个3D残差卷积单元、一个全连接层和一个softmax分类器组成。其中，卷积核大小为5×5×5，标准步长为2，卷积核数量随3D残差单元数量变化依次为8、16、32、64、128，卷积核使用L2正则，最大池化的池化尺寸为2×2×2。在全连接层后使用BN和Dropout策略，其中Dropout系数设置为0.4。使用反向传播算法，batch-size设置为128，利用RMSprop优化器对损失函数进行优化，学习率为0.0004。
　　(3)将3D-RCNN算法模型与支持向量机(SVM)、随机森林(RF)交叉验证，针对不同特征组合方案，开展树种识别和精度评价。研究表明：1、3D-RCNN模型能够有效提取高维数据特征，在特征因子组合分类时表现优异，将传统机器学习算法识别总体精度从85.22%提升至91.72%。2、相较于单一特征因子，多特征因子组合树种识别精度更高，光谱特征取得单一特征最高识别精度70.33%，光谱特征、纹理特征和植被指数特征组合取得多特征组合最佳识别精度91.72%。随着特征因子的增加，识别精度也相应的提高，其中植被指数特征对精度的提升高于纹理特征，地形特征受海拔和人为因素的影响，作用极小。3、3D-RCNN模型总体精度可达91.72%，树种调查平均相对精度达到92.92%，能够很好地对林分组成复杂的亚热带森林树种进行识别。该模型在训练样本充足时，性能表现优异。这表明随着样本集的丰富，模型仍有很大的优化潜力。也证明了国产GF-5AHIS、GF-6PMS数据能够很好的进行互补，有效地对亚热带落叶阔叶林和常绿针叶林进行识别。