立木材积是森林资源调查的重要指标,也是计算森林蓄积量和生物量的主要依据。因此为更好地保护森林自然资源,提高森林的社会效益、经济效益和生态效益,更准确地掌握森林资源数量、质量的动态变化,及时制定更科学合理的森林经营政策,立木材积的精准预测显得尤为重要。本文以大兴安岭图强林业局樟子松为研究对象,选用传统非线性模型（NLR）和三种机器学习算法:反向神经网络（BP）、ε-支持向量机回归（ε-SVR）、随机森林（RF）,利用R语言和Matlab2019b研建最优的带皮和去皮材积模型。以赤池信息准则（AIC）和贝叶斯信息准则（BIC）作为传统模型异方差校正的评价指标,通过确定系数（R~2）、均方根误差（RMSE）、相对均方根误差（RMSE%）、平均绝对误差（MAE）用于评价模型拟合和预测的能力,并计算平均相对误差（MRB）检验模型预测偏差的大小。研究发现50%相对树高的形率在三元材积方程中精度最高,且通过幂函数和常数加幂函数加入回归方程中可以有效解决NLR模型中的异方差现象;在BP模型中通过30次求均值的方法消除初始随机权值和阈值的问题,并采用10折交叉验证筛选BP模型最优的学习算法和隐含层神经元个数;在ε-SVR模型中,为减少训练时间,选用遗传算法全局搜索最优的核函数,以及该核函数下的惩罚因子C和核参数gamma;在RF模型中,通过oob误差检验筛选RF三个主要影响参数ntree、minleaf、mtry的数值。将拟合精度最高的参数代入各模型内建模,得到不同变量下的最优模型,并对测试样本数据进行预测。结果表明,三种机器学习算法模型预测精度均高于传统模型,其中无论在任何输入和输出变量下RF模型精度均为最高,其次是BP和ε-SVR模型,NLR模型最低。尤其在基于胸径D和树高H的二元材积模型中,RF相比于NLR在带皮和去皮材积中预测精度的R~2分别提高4.31%和4.45%,RMSE分别降低48.44%和44.69%,提高效果十分显著。BP和ε-SVR模型整体上结果没有明显差别,但因输入和输出变量的不同而略有差异,在引入胸径D的材积模型中BP略优于ε-SVR;在引入胸径D和树高H的材积模型中,预测带皮材积时BP精度略高,预测去皮材积时ε-SVR精度略高;在引入胸径D、树高H和形率q的材积模型中,ε-SVR略优于BP模型。对比相同模型下不同参数的过程中发现增加参数可以有效提高同一模型的精度,且RF只引入胸径D一个变量时模型精度甚至高于引入胸径D和树高H两个变量时的NLR模型,说明引入RF模型预测立木材积相比于传统模型不仅应用更灵活,且当外业条件苛刻、无法准确测量树高时依然保证更高的预测精度。由此可见机器学习算法的应用可为森林资源的精准调查和经营管理提供新的解决方案。