森林冠层结构通过影响太阳辐射在林冠内部及下层的三维空间分布,控制着森林的光合作用效率及其与大气和土壤圈层之间的能量交换。传统用于提取林冠结构参数的方法大多费时、费力,且大部分基于遥感数据方法仅限于二维尺度。具有三维(3-D)制图能力激光雷达(light detection and ranging, lidar)技术的出现为森林冠层结构的定量化表达提供了间接、快速、有效的方法。为提高利用lidar数据提取森林冠层结构参数的效率和精度,本研究改进了一种基于局部点云空间几何特征分布的逐点分类算法,将森林点云数据(Point Could Data, PCD)分为林冠光合部分(散点类分布特征)、林冠非光合部分(线性分布特点)和地面(面状分布特征)。并成功将其应用于不同空间尺度(单木、样方和景观尺度)、不同树种、不同密度和不同采样策略的森林PCD,均得到较好的分类结果。在敏感性分析的基础上,提出了最佳三维空间搜索半径。发展了基于分类后的PCD估算森林冠层结构参数的方法,主要包括木质面积占比("woody-to-total-area ratio")参数和林冠的叶方向分布,并利用手工实测数据对估算结果分别进行了验证,有效地改进了森林冠层结构参数估算的精度和有效性。主要结论如下：(1)分类方法具有较好的普适性本研究改善了一种基于局部几何特征的分类算法,将森林点云分为三类,即面状类(地面),散点类(树叶、灌丛等光合部分),线性类(树枝、树干等非光合部分),并将该算法成功应用于利用地面激光雷达(terrestrial laser scanning, TLS)在天然森林样方中心单站扫描和单棵人工树外围多站扫描后拼接所获取的PCD分类,以及航空激光雷达(aerial laser scanning, ALS)获取的景观尺度的森林PCD,其中ALS数据中由于分辨率低较难获取到树枝、树干数据,因此本研究对该数据只分为面状类和散点类。对各类数据均进行精度评价,发现总精度均达到85%以上,表明该分类方法具有可行性。(2) 叶面积指数、树种对分类方法不敏感分析叶面积指数(leaf area index, LAI)对分类方法的影响,结果发现：对于TLS获取三个不同LAI的样方,散点类和面状类精度均较高,线性类精度稍有差异(生产者精度分别为69.43%,77.10%,80.48%),随着LAI升高,线性类精度降低。原因可能是LAI高时,线性周围的叶子较多使得局部线性点几何特征不显著；而对于ALS获取的三个不同LAI的样方数据而言,分类精度差别较小。同时将本研究方法应用于一棵阔叶树和一棵针叶树,发现该分类方法对树种不敏感,最终生产者精度分别为94.96%和93.09%。因此只要林冠局部分类特征满足本研究对类别特征的假设,均可利用该分类方法进行分类。(3)有效去除叶面积的木质部分本研究发展一种基于采样间距,激光入射方向以及点的倾角将每个点转化为长方形平面并求得面积的方法,并使用单叶片、树枝树干、树叶三个尺度做验证,发现结果较好。并分析采样间距和叶片倾角对计算结果的影响,选取最合适的采样间距。为验证参数计算结果,室内制作人工树并获取完整树枝树干点云以及叶片点云,并手动量测各部分面积。发展一种将离散点转化为连续面片的方法用于计算人工树树枝树干和树叶面积,同时将各自点云进行重建得到重建面积并与手动测量结果比较,分别计算三者求得的木质面积占比发现三者结果较为接近(分别为8.97%,8.31%,7.79%)。利用完整人工树分类结果求取"woody-to-total area ratio",结果仅为5.50%,主要原因是分类结果精度导致的参数估算精度下降。(4)准确定量刻画叶方向分布本研究发展一种基于局部点云计算点倾角、方位角的方法,同时以每个点的面积作为权重求取冠层叶方向分布直方图,进而求取叶方向2-B函数分布。为验证叶方向反演方法,选取完整采样的78片单叶片作为验证对象,将计算结果与测量结果比较,发现：倾角相关性R2达到0.91(p<0.001),方位角相关性R2达到0.97(p<0.001),且散点分布在1：l线附近。用该方法求得完整树叶点云以及分类后散点类点云各自倾角、方位角分布直方图,对比结果发现分类后倾角在80-90°范围内比重变大,这是由于部分树枝被误分为散点类,而本研究树枝倾角接近90°,使得80-90°倾角比重变大。利用角度均值以及角度平方均值求取各自的2-β函数分布待定参数值,利用K-S(Kolmogorov-Smimov)方法检测发现倾角、方位角直方图与各自2-β分布均满足一致性验证,最终求得叶方向的2-β函数。