森林蓄积量是国家森林资源调查的一项重要指标,是衡量国家和地区森林木材总量的直接体现,与森林生物量、碳储量有直接关系,直接影响国家或地区的木材战略安全、固定二氧化碳的能力以及动物的栖息,及时准确的估测森林蓄积量是林业工作者最重要的任务之一。本研究对森林蓄积量估测的各个环节进行梳理,分别从森林蓄积量地面调查样地的设备、定位方法以及遥感数据等多个层面对森林蓄积量估测进行了研究,由点到面形成了一套更科学的森林蓄积量调查估测方法。主要研究成果归纳如下:（1）设计了一款新的森林蓄积量地面调查样地标记装置,该装置解决了森林蓄积量调查样地复查的指引问题,样地信息的读写问题以及样地标记装置的移动、破坏监测问题。通过与传统样桩的寻找试验对比,该装置的寻找时间效率提高了324.18%。该创新标记装置为森林蓄积量调查样地复查、蓄积量连续调查监测奠定了基础。（2）提出一种全新的森林蓄积量地面调查样地定位方法,通过使用三台GNSS基站进行静态相对定位试验可得,基站间的架设距离在30 km内,同时工作30 min以上,林内定位精度可以达到0.50 m。基于这种高精度的森林蓄积量地面调查样地定位方法,地面调查样地蓄积量数据可以与遥感像元进行更精确的匹配,为蓄积量估测精度的进一步提高展奠定了基础。（3）基于前人研究中提到的利用球状模型定量估测遥感数据蓄积量饱和点的方法,本文提出了利用简单的二项式模型定量估测饱和点的新方法,并基于该方法估测了Landsat-8 L8＿B3和Sentinel-2 S2＿B5变量所能预测蓄积量的最大饱和点分别是323.08 m~3 ha-1和327.46 m~3 ha-1。（4）基于高精度定位森林蓄积量地面样地数据和多源遥感数据,联合变量筛选方法和机器学习算法,对森林蓄积量进行建模和反演。对变量筛选前后的结果对比,发现通过VSURF包筛选变量前后对随机森林算法的建模和验证结果几乎没有任何影响,但对支持向量回归模型的建模验证结果造成了不稳定的影响,说明本文提到的变量筛选方法只适用于随机森林模型。对比随机森林模型和支持向量回归模型,发现随机森林模型在建模和验证阶段的表现均优于支持向量回归模型。基于变量筛选后的随机森林算法模型的验证阶段对比Landsat-8数据,Sentinel-2数据以及Landsat-8和Sentinel-2的联合数据的表现,联合数据在蓄积量估测方面表现最优(R~2=0.51,MAE=52.45 m~3 ha-1,RMSE=67.56 m~3 ha-1)。联合Landsat-8,Sentinel-2数据和林分平均高变量,在筛选变量条件下,随机森林回归模型的验证精度为R~2=0.71,MAE=35.10m~3 ha-1,RMSE=51.57 m~3 ha-1,说明添加林分平均高变量显著提高了蓄积量估测精度,基于此,本研究还尝试使用国内首颗陆地生态系统碳监测卫星大光斑激光雷达系统原理样机获取的大光斑激光雷达波形数据提取林分平均高,得到林分平均高的估测结果为R~2=0.91,MAE=0.77 m,RMSE=0.91 m。最后,基于现有的数据和最优的随机森林回归蓄积量估测模型,对整个湖南省进行了森林蓄积量反演,得到湖南省森林蓄积量为3.27×10~8 m~3,估测精度达到59.67%,并实现了对湖南省森林蓄积量空间分布制图。