树皮是树木有机体的重要构成部分,也是生物质能源的重要材料。树皮厚度和材积作为森林经营决策与收获模型的重要预测变量,在森林资源研究、木材生产、生物量等方面具有重要意义。随着生物质能源的增加树皮的利用率也在增加,因此准确预测树皮厚度和树皮材积变得尤为重要。本研究以大兴安岭落叶松天然林为研究对象,综合国内外树皮厚度和材积模型的构建方法,选择了6个具有代表性的树皮厚度传统模型来预测落叶松树皮厚度,选择7个具有代表性的树皮材积传统模型来预测落叶松树皮材积。以落叶松解析木数据为基础分别构建树皮厚度和树皮材积的4个机器学习模型（神经网络ANN、支持向量回归SVR、决策树CART和随机森林RF）,并将其在预测树皮厚度和材积方面的性能与传统模型比较。采用决定系数（R~2）、均方根误差（RMSE）、平均绝对误差（MAE）和赤池信息准则（AIC）来评价不同模型。在研究过程中发现6个传统树皮厚度模型中使用变量胸径（D）和相对高（rh）作为自变量的Model（3-5）为最优传统树皮厚度模型,确定系数R~2达到了0.6711,RMSE、MAE值均比其他模型小。在7个树皮材积的传统模型中,Model（3-13）的R~2为0.8407,RMSE为0.0337,MAE为0.02194,在所有传统树皮材积模型中,有最大的R~2值,且有最小的RMSE和MAE值。树皮厚度和材积的最优传统模型都可以通过常数加幂函数等方差函数来消除模型中的异方差现象。在ANN模型中,树皮厚度和材积的最优神经网络的优化算法都选择了Adam,激活函数都为Relu;在SVR中,当核函数为RBF时模型拟合具有最小的RMSE;在CART模型中,决策树的预测值经常伴随着较高的方差,呈现不连续的曲线;在RF中,RMSE随决策树数量的增加先迅速减小,后逐渐趋于平稳,在决策树数量达到500后模型的RMSE基本稳定。通过计算变量相对重要性发现,对落叶松树皮厚度预测影响较大的因子依次为rh、D、树高（H）,对落叶松树皮材积预测影响较大的因子依次为D和H。从整体模型预测结果来看,在机器学习模型与基础模型的比较中,除CART模型外,其他机器学习模型拟合的精度均好于传统模型。机器学习模型中RF拟合效果最好,其次是SVR,CART预测效果最差精度较低。与最优传统模型相比,在树皮厚度模型中RF基于训练样本,模型的R~2从0.6711提高到0.7234,RMSE从0.5791降低到0.5310;在树皮材积模型中RF则将模型的R~2从0.8407提高到0.8890,RMSE从0.0337降低到0.0291。结果表明相对于基础树皮厚度和材积模型,机器学习算法中的RF,SVR和ANN都能提高树皮厚度和材积的预测精度,其中RF对树皮厚度和材积预测效果最好,适合该区域落叶松树皮厚度和材积的预测。