物种的丰富度对森林生态系统的兴衰起着至关重要的作用。生物多样性的消退往往促进生态系统的灭亡,尤其对于物种相对稀少的红树林来说,监测其物种的类型和空间分布,有助于及时采取有效的管理和保护措施。本研究响应新型遥感平台——无人机（Unmanned Ariel Vehicle,UAV）的快速发展,联系现阶段红树林物种分类研究中存在的问题（同一物种的红树林通常形成卫星遥感影像无法识别的窄条或小斑块;研究专注于特定区域,数据、方法和模型缺乏泛化能力等）,基于从广东省的深圳福田和湛江高桥两个国家级红树林自然保护区获取搭载UAV的高光谱影像和激光雷达（Light Detection and Ranging,LiDAR）点云数据,本文旨在结合适用于大体量数据研究的新型机器学习分类方法——极端梯度提升（eXtreme Gradient Boosting,XGBoost）,探索并比较UAV数据和相应的模型对于两个不同研究区中红树林物种分类的可行性和适用性。另外,引入LiDAR点云数据的目的是为了利用LiDAR点云衍生的植被结构信息,从而减小分类结果在仅利用光谱特征进行红树林物种分类时,受同物异谱和同谱异物的影响。利用XGBoost方法对UAV高光谱影像波段反射率及其衍生的植被指数以及影像的纹理特征分别进行特征选择,按照特征重要性大小筛选出敏感的特征变量（Var＿Spectra,Var＿VIs,Var＿Texture）;将筛选出的特征变量组成新的影像特征,用同样的方法再次筛选敏感的特征变量（Var＿Image）。同理,利用相同的方法对LiDAR点云数据衍生的高度变量和强度变量分别进行特征选择,筛选出敏感的特征变量（Var＿Elevation,Var＿Intensity）,将筛选出的特征变量组成新的LiDAR点云特征,再筛选出相应敏感的特征变量（Var＿LiDAR）。结合两种数据的敏感特征变量Var＿Image和Var＿LiDAR,再根据新的特征变量重要性筛选出敏感的融合特征变量（Var＿UAV）。基于单一特征（Var＿Spectra,Var＿VIs,Var＿Texture,Var＿Elevation,Var＿Intensity）、基于单一数据源的特征（Var＿Image,Var＿LiDAR）、基于融合数据的特征（Var＿UAV）分别构建红树林物种分类模型,利用混淆矩阵、总体精度、生产者精度、用户精度、分配不一致和数量不一致来评价分类结果和模型性能。结果表明,利用UAV高光谱影像和LiDAR点云数据用于红树林的物种分类是可行的,并且高光谱影像衍生的特征和LiDAR点云的结构特征在对不同物种分类时表现出各自不同的优势,融合两种数据源的分类结果一般要比单一特征/单一数据源分类的结果精度更高,相应的分类模型也更稳定。从分类精度的角度看,深圳福田分别利用高光谱影像单一特征、LiDAR点云单一特征以及融合特征分类的最高精度可以达到92.20%（利用植被指数分类的结果）、87.66%（高度特征）以及96.74%（高光谱影像融合特征）;而在湛江高桥中,相应特征的最高精度可以达到88.18%（纹理特征）、88.27%（高度特征）以及91.65%（UAV融合特征）。另外,通过比较和分析两个研究区制图的结果发现,UAV数据的质量是影响物种分类结果的重要因素,而以主动遥感方式获取的LiDAR点云的质量要比被动遥感获取的高光谱影像稳定一些。本论文的实验的过程、方法、结果和结论可供欲利用UAV数据进行植被有关研究的参考。