森林是生态系统的重要组成部分,随着卫星遥感技术的发展,通过遥感数据处理得到大范围的森林参数成为可能。其中,合成孔径雷达（SAR）能够不受天气影响稳定获取数据,并且具有一定的穿透性,方便对比森林冠层和地面的雷达信号差异;而光学遥感数据具有较高的分辨率和较多的纹理信息,可以获取更详细的森林冠层数据。本文以哨兵一号和哨兵二号分别作为SAR和光学遥感数据源,探究了适用于中国东北地区的森林参数反演方法,具体研究内容如下:（1）基于模拟全极化SAR数据的森林高度反演研究。通过设置不同的环境参数（雷达入射角、森林密度、森林类型、真实树高）生成模拟全极化SAR数据,对模拟全极化SAR数据采用极化层析PCT森林高度反演法（PCT）、随机地体散射RVo G森林高度反演法（RVo G）、相干幅度森林高度反演法（COH）和DEM差分森林高度反演方法（DEM）进行森林高度反演实验,对比实验结果讨论了环境参数对森林高度反演结果的影响,并通过统计实验数据对比了不同反演方法的性能和适用性。最终得到各种环境参数对森林高度反演的影响情况,如森林密度越高时森林高度反演精度越高,不同森林类型的森林高度反演结果存在差异。该研究可以为真实SAR数据反演森林树高提供参考。（2）基于经验算法和机器学习的森林高度反演方法。基于哨兵一号数据处理得到后向散射系数,基于哨兵二号数据处理得到森林覆盖度（FVC）和叶面积指数（LAI）,使用以上参数作为输入量,分别进行了基于改进经验算法的森林高度反演与基于机器学习的森林高度反演实验,验证了不同森林区域内机器学习方法的误差和有效性。经过实测森林高度数据验证,基于改进经验算法的反演精度高于传统经验算法反演,相关性系数R在0.63到0.90之间,均方根误差RMSE在1.74 m到4.00 m之间,总体结果可靠性较高,当需要快速对大面积森林区域进行高度反演时,可以选择经验算法进行森林高度反演;当对反演精度需求更高、实验区面积小时,可以采用基于机器学习的森林高度反演方法,此时梯度下降法（GBDT）和极限随机树（ET）是精度相对高的机器学习算法。（3）基于经验算法和机器学习的森林材积量反演方法。采用哨兵一号和哨兵二号为数据源,以后向散射系数、FVC、LAI、森林高度为输入量进行了基于机器学习的森林胸径反演,在胸径反演结果的基础上,分别进行了基于改进经验算法和基于机器学习的森林材积量反演实验。经过数据验证得知,支持向量机（SVR）和线性支持向量机（Linear SVR）是最适合胸径反演的机器学习方法;改进经验算法的相关性R≥0.916,RMSE≤0.088 m~3,SVR和Linear SVR是机器学习中最适用森林材积量反演的算法,在研究区域中,基于改进经验算法的森林材积量反演可以有更快的反演速度和更高的反演精度。本文的研究工作主要基于哨兵一号和哨兵二号多源遥感数据展开,研究了基于改进经验算法和基于机器学习法的森林参数反演方法,通过反演可以得到森林高度、树木胸径和材积量三种森林参数,实验也为不同森林区域的森林参数反演方法选择提供参考。