基于航空图像的单株树冠（Individual Tree Crown,ITC）分割算法是理解树木生长,树种竞争和生物量评估的先决条件。本文创新性地提出了将超像素分割和拓扑图相结合的方法,从而有效地进行ITC分割。首先,通过简单线性迭代聚类（SLIC）超像素算法对无人机采集的林地航空图像进行初步分割,并通过整体嵌套边缘检测（HED）网络获得航空图像的树冠边界。其次,通过RGB颜色差值,边界像素数和相交区域中由HED网络定义的相交像素数这三个指标来计算相邻超像素之间的相似度权重。最后,采用最小生成树生成超像素尺度的航空图像的连通树,并根据计算生成的相似度权重矩阵定义超像素的合并标准,将超像素合并最终实现ITC分割。本文在具有不同林分结构特征的四个林地的航空图像上验证了该方法,并将得到的算法结果与实地测量结果进行比较,以便评估该算法的准确性。结果显示,枯萎的树木和健康的树木混合生长在林段A1中,这使ITC分割过程变得复杂,并且只能达到86%的准确度;具有相同树种且树冠大小近似的林段A2获得了92%的最高ITC精度;林段A3的树冠大小各不相同,并受右上角太阳光照的影响,这增加了使用本算法进行ITC分割的难度,并获得了87%的准确度;对于林段A4的海南岛橡胶树而言,由于常受台风和寒冷天气等自然因素的伤害和干扰,树体严重倾斜,树冠的形态结构不明显,且分割结果的精度容易受到橡胶树树体的倾斜角度和树冠相互遮挡程度的影响,最后ITC分割的整体精度达到85%。总体而言,本文提出的基于图像处理技术的算法提供了一种能够适用于各种类型森林的新概念,具有从森林航空图像中进行ITC分割的潜力。在树冠分割结果图的基础上,针对具有特殊数据情况的林段A4,本文定义了一个代价函数argmin（F（θ,u,v））,通过求得该函数的最优解,实现了树冠分割图与其对应背包式雷达获取的点云数据的对准;同时还提出了一种基于树冠分割图与背包雷达点云数据的树高获取及预测方法:由树冠分割结果图以像素为单位计算每棵橡胶树树冠的冠幅,同时运用霍夫变换圆检测算法获得每棵树干的胸径（DBH）值,之后通过选取林段A4中实地测量的140棵橡胶树的实际树高作为实验样本,在获取到树木冠幅及胸径后,利用基于Deep-RBN算法的神经网络对其进行处理,实验数据显示,该算法使得林段A4的橡胶树的树高估计达到了R2=0.8582,RMSE=3.28m和RMSE=20.64%的精度,对于高效率地获取森林参数具有一定的意义。