落叶松是我国重要三大针叶用材林树种之一,分布在东北、内蒙古地区,在木材生产、水源涵养及森林生态系统的形成与维护方面发挥着重要作用,未来在实现我国碳中和、碳达峰目标过程中也扮演着重要角色。利用遥感技术解决我国落叶松人工林大尺度空间分布信息难以获取、数据采集难度大、成本高、耗时多等问题,从而快速获取落叶松人工林的空间分布,这对于森林监测规划和生态系统功能评价、实现碳达峰、碳中和目标具有重要现实意义。本文以黑龙江省落叶松人工林为研究对象,基于Google Earth Engine（GEE）平台,结合Sentinel-2遥感影像和森林二类调查数据,在黑龙江省佳木斯市孟家岗林场和大兴安岭地区开展落叶松提取研究。首先针对孟家岗林场对比分析了机器学习算法（随机森林、支持向量机）以及深度学习在落叶松人工林提取上的应用效果,探讨了多时相多特征综合及特征优选对不同算法分类精度的影响,进一步确定了适宜进行落叶松人工林识别的算法,同时建立了区域落叶松人工林提取模型。其次针对天然林区广泛分布的大兴安岭地区进行了落叶松识别提取,建立了天然林区落叶松林的提取模型。本文主要解决了以下两个方面的问题:①基于单机遥感数据应用平台获取大区域落叶松人工林空间分布过程中,符合研究需求的高质量遥感影像数据获取困难;②大量遥感影像数据预处理以及机器学习分类算法耗时长、效率低。最后基于本文建立的落叶松人工林空间分布信息提取的工作流程和机器算法模型,实现了黑龙江省落叶松人工林空间分布信息的提取,进一步探讨了遥感技术在大区域落叶松人工林提取的应用效果,为高效监测落叶松人工林的动态变化提供了有效技术支持。主要结论如下:（1）特征空间构建与特征优选研究。随机森林算法多时相影像组合分类总体精度为94.59%,Kappa系数0.92;支持向量机算法多时相影像组合分类总体精度为92.35%,Kappa系数为0.91,同单时相影像数据相比,多时相特征组合可以获取到更为丰富的落叶松人工林光谱信息,使得随机森林和支持向量机算法都有较大的精度提升;在多特征因子的组合分类中,加入纹理特征、地形因子后的影像分类精度都有所提升且分类结果更加细致;落叶松生长期和落叶期影像组合可以反映出落叶松独特的物候规律,是进行落叶松识别的最佳时相组合,有利于落叶松的高精度提取。（2）基于机器学习算法的落叶松人工林提取研究。随机森林算法综合效果最好,在小区域林场试验和大区域模型推广应用中都取得了良好的分类效果,分类精度也最高,平均验证精度为94%,Kappa系数为0.919;支持向量机算法在特征变量个数较少的单时相影像分类中精度远低于随机森林算法,但在多时相多特征组合后的影像上分类效果有所提升,该算法对纹理信息敏感,增加纹理信息可显著提升分类精度;相比仅使用光谱特征,光谱特征与纹理特征组合可有效提升分类精度（提升3.82%）;提高影像分辨率可以增加深度学习算法对落叶松人工林的分类精度,但该算法模型训练所需时间远超过随机森林和支持向量机算法,故不适用大区域落叶松人工林提取。（3）基于建立模型的大区域落叶松人工林提取研究。黑龙江省落叶松人工林分类提取精度达到72%以上,kappa系数0.62。研究建立的模型在大区域落叶松人工林信息提取中具有较好的应用效果,同时在能够取得更多训练样本的条件下,该模型分类精度可进一步提高。