本文基于遥感技术(remote sensing)、地理信息系统(geographical informationsystem)和全球定位系统(global position system)(以下简称3S技术)的支持,以塞罕坝机械林场2003年的lOm分辨率SPOT5遥感影像为基本数据源,结合地面样方调查、地面定位数据分析以及其它资料,辅助于相关数学理论方法(平均残差、岭回归、多元回归等),探讨了SPOT5遥感数据预处理、森林遥感分类、蓄积量遥感估测的方法,试图为SPOT5遥感数据在森林资源监测中的应用提供科学依据和技术方法支持。主要研究成果如下:(1)针对塞罕坝机械林场的特点,提出了用于森林资源监测的SPOT5遥感数据的预处理方法。在实际应用中,宜采用如下技术流程:组合最佳波段(2-4-1)、图象增强(直方图均衡化、主成份变化、缨帽变化,几何校正)、正射影像校正。(2)对遥感影像的分类方法做了深入的研究:①对人工判读分类方法做了详细的阐述;②为了克服“同物异谱”现象,将各种树种根据立地条件和年龄分为许多亚类,并且保证有足够数量的训练样本,可以使监督分类结果有较高精度。③对于遥感影像的计算机分类,采用监督分类的方法对实验区遥感影像做了分类,且利用三种监督分类方法进行遥感影像分类,经误差矩阵的统计对比分析,最大似然法的分类结果是三种分类方法中与塞罕坝机械林场情况最符合、最适宜的方法。(3)影响林分蓄积量的估测因子较多,众多学者也做了较多的研究,但各自所建立的估测模型由于所利用的数据源和研究区域的不同也存在着较大的不同,适用性有待进一步研究和探讨。本文将影响林分蓄积量的估测因子主要分为两类,一类是从遥感影像上所获得的各样地的灰度值以及波段比值,另一类则是影响林分蓄积的立地条件因子。深入探讨了森林蓄积量遥感估测模型的建立方法,完成了基于林分类型的森林蓄积量估测。在分析数据的基础上,选择了相关遥感因子和定性因子,并通过一系列模型的检验与修正,建立了林分蓄积量快速估测的最优多元线性回归模型。研究结果表明,所构建的各树种估测模型线性关系显著、相关系数较高,预报平均精度都高于了75%,满足林业生产的精度要求。