森林被誉为“地球之肺”,在平衡全球生态系统中发挥着重要作用,是人类赖以生存和发展的基础。森林蓄积量是评价森林资源数量和质量的重要指标,而基于实地的传统森林蓄积量调查需耗费大量人力、物力并且持续周期长,难以满足现代林业的发展需求,所以如何快速准确地获取不同地区大范围森林蓄积量已成为当今林业领域的研究热点之一。遥感技术的快速发展,能有效解决传统森林蓄积量调查的难题,为森林资源调查和动态监测提供了便利。本文以四川省甘孜州乡城县为研究区域,以SPOT6遥感影像为数据源,运用最大似然分类法对遥感影像进行分类,提取针叶林分布信息,构建以光谱信息、植被指数、纹理信息和地形信息为特征变量的针叶林蓄积量估测模型,探讨不同窗口大小及纹理特征对针叶林蓄积量估测模型精度的影响,筛选出最优估测模型和最佳纹理窗口,得到的结论如下:（1）经遥感影像预处理,采用最大似然法对研究区进行地类划分,结果包括针叶林地、阔叶林地、针阔混交林地、灌木林地、草地、耕地、水域、建设用地和其他用地共9类。影像分类结果较为理想,总体分类精度为87.64%,Kappa指数为0.8579。（2）研究表明,经相关性分析后的SPOT6遥感影像的光谱特征、植被指数和地形特征与针叶林蓄积量的相关性较强,纹理信息与针叶林蓄积量的相关性较弱。在6种光谱特征变量中单波段（B1、B2、B3、B4）和比值波段（B4/B2）与蓄积量呈极显著的相关关系,相关系数分别为-0.563、-0.553、-0.629、-0.376、0.506;在3种植被指数特征变量中归一化植被指数（NDVI）、比值植被指数（RVI）与蓄积量呈极显著的相关关系,相关系数为0.54、0.578;在3种地形因子特征变量中海拔（Elevation）与蓄积量呈极显著的相关关系,相关系数为0.641;在不同大小的纹理窗口下的8种纹理特征变量中,只有均值（MEA）与蓄积量呈极显著的正相关关系。（3）通过相关性分析和变量投影重要性（VIP）准则筛选,结果表明,海拔（Elevation）、单波段（B1、B2、B3）、比值波段（B4/B2）、归一化植被指数（NDVI）、比值植被指数（RVI）和均值（MEA）对针叶林蓄积量的影响是最大的。（4）多种窗口大小的纹理特征对针叶林蓄积量估测精度有一定影响,在8种不同纹理特征中均值（MEAN）与针叶林蓄积量的相关性最强。最优纹理窗口的选择存在不确定性,本研究得出乡城县针叶林估测模型的最佳纹理窗口是9×9。（5）本试验基于光谱信息、植被指数、纹理特征和地形因子建立了在3×3、5×5、7×7、9×9、11×11、13×13共6种纹理窗口下的针叶林蓄积量估测模型,通过精度检验得到最优估测模型为:V=146.618+0.0144361×Elevation-0.141139×B1-0.105841×B2-0.0946412×B3+18.5399×B4/B2+183.024×NDVI+14.2387×RVI-12.0595×MEA₉。（9×9窗口,估测精度为86.74%,R²=0.87971,RMSE=23.695 m³/hm²,RE=13.26%）