全球森林生态系统作为一个巨大的碳汇,在全球碳平衡中扮演着重要的角色。因此,在全球气候变化的背景下,准确估算森林生物量对于衡量森林生物量的空间分布以及评估陆地生物群的碳收支至关重要。而遥感技术相较于传统的生物量测量方法具有监测范围大、快速、动态性,已经成为估算森林生物量的主要途径。本文基于Sentinel-2遥感影像、DEM数字高程模型和样地调查数据,以湖北省森林植被为研究对象,构建森林生物量估算模型。首先对样地调查数据进行处理,筛选出乔木林样地,并利用样地的每木调查数据,根据树种的异速生长方程计算出样地生物量。其次,对获得的哨兵二号遥感影像及高程数据进行预处理,提取出所需要的纹理特征、植被指数、波段反射率、海拔、坡度、坡向等。最后,通过相关性分析,筛选出相关性较高的因子组成最有特征集,再利用随机森林和支持向量机构建森林生物量模型,对比模型预测精度,选择最优模型,同时探究光学遥感数据中的红边波段和地形因子对森林生物量估算的影响,并针对不同类型植被分别构建生物量反演模型。主要研究结果如下:（1）不同变量特征与生物量的相关性存在较大的差异。通过比较不同变量与生物量的相关性,发现地形因子的重要性最高,其中海拔变量与生物量的相关性最大,P=0.23,明显高于其他变量特征。在光谱变量中,每个波段与生物量都具有显著相关性,其中红边波段（B7）的相关性最高,P=0.23;而在植被指数中,增强植被指数的相关性最高。纹理变量的相关性高于植被指数,以近红外波段和红边波段计算得到的均值性和对比度纹理特征与生物量的相关性最高。（2）通过使用随机森林和支持向量机两种回归算法,构建不同特征组合的生物量模型,得到随机森林算法的模型最优,同时也发现加入红边波段和地形因子会提高模型估算精度。基于纹理特征、光谱变量（含红边）对乔木林植被构建生物量反演模型,模型均方根误差（RMSE）为33.06 Mg/hm~2,较高于不含红边的生物量模型精度（RMSE=36.05 Mg/hm~2）,结合红边与生物量的相关性,说明红边波段可以提高生物量估算模型精度,但由于研究区范围以及森林结构复杂等的影响,使提高的模型精度有限。针对大尺度区域,通过加入地形因子,得到生物量模型精度的均方根误差（RMSE）为31.32 Mg/hm~2,高于没有地形因子的生物量模型,表明加入地形因子可以显著提高模型精度。（3）将植被分成三种森林类型,可以提高森林生物量模型的估算精度。对不同森林类型构建生物量模型,阔叶林的模型精度最高,其次是针叶林,最后是针阔混交林,它们的均方根误差（RMSE）依次为29.49 Mg/hm~2、30.72 Mg/hm~2、32.19 Mg/hm~2,阔叶林和针叶林的生物量模型精度高于整体乔木林模型精度,但混交林由于树种较多,冠层结构复杂,生物量模型精度没有提升。这表明对植被进行分类后再进行生物量估算,可以提高乔木林的生物量估算精度。