森林砍伐是影响森林生态系统变化的重要因素之一。森林砍伐类型的识别与动态监测,能够有效监管森林生态系统中的人类活动,同时,为森林中采伐迹地的恢复和更新提供良好的数据基础。传统光学遥感数据的光谱信息可以有效提取森林的皆伐信息,但由于缺乏准确刻画森林三维结构信息的能力,造成森林择伐识别的精度不足。结合激光雷达数据获取的三维结构信息与光学影像获取的二维光谱信息为提高森林砍伐识别的准确性提供了可能。首先,本研究获取了美国华盛顿州植物园和美国俄勒冈州Panther Creek区域的机载激光雷达扫描（Aerial Laser Scanning,ALS）数据和光学影像数据。通过对三维点云数据进行单木分割获取了树木高度信息,进而利用分层高度阈值方法实现了林下植被和森林冠层点云数据的准确分离。利用分离所得到的森林冠层点云数据生成掩膜图像去除光学影像数据中的森林背景信息。利用光学影像,去除森林背景的光学影像与激光雷达三种数据进行森林冠层有效叶面积指数（Effective leaf area index,LAIe）制图及精度评价,探究森林背景对于反演冠层LAIe的影响。其次,本研究发展了一种结合光学影像和ALS点云数据进行森林砍伐检测的方法。该方法利用随机森林算法将两种数据源所获取的五种变化指标（冠层LAIe、冠层高度模型、冠层覆盖度、乔木数量和平均树高）进行融合,实现了Panther Creek研究区10m与30m空间分辨率下森林砍伐类型（皆伐,择伐和未伐）的识别。最后,利用森林样地的目视解译方法验证砍伐识别结果,并探究不同的数据组合形式对识别结果的影响,得到以下结论:（1）去除森林背景能够有效改善森林冠层有效叶面积指数估算精度。研究结果表明,光学影像去除森林背景后,归一化植被指数（Normalized Difference Vegetation Index,NDVI）与地面实测冠层LAIe的回归统计模型改善最为显著,植物园与Panther Creek研究区的R~2分别提高了0.33和0.26。其中,冠层覆盖度低的林分中森林背景的影响比冠层覆盖度高的林分更为明显。此外,通过对光学影像,去除森林背景的光学影像与ALS三种数据获取的LAIe制图结果进行比较,发现ALS与光学遥感数据相结合,通过去除森林背景信息,可以获得最佳的LAIe反演结果。（2）本研究结合ALS与光学影像数据检测森林砍伐的方法能够有效识别森林砍伐类型。研究结果表明,在30m空间分辨率下,总体识别精度为97.7%,其中未伐精度为98.3%,择伐精度为96%,皆伐精度为100%。与同等分辨率下利用光学影像获取的砍伐识别结果精度提高38%,其中择伐精度提高71%,改善最为显著。在10m空间分辨率下,总体识别精度为92.5%,其中未砍伐精度为100%,择伐精度为86.3%,皆伐精度为86.2%。与同等分辨率下利用光学影像获取的砍伐识别结果精度提高33%,其中择伐精度提高57%,改善最为明显。在光学影像的砍伐识别过程中加入单期ALS数据用于提供森林的三维结构信息,其精度在10m和30m空间分辨率下分别提高8%和13%。