树种的精细分类对于森林资源保护、林业信息提取和可持续发展有着极为重要的意义。遥感技术可以提供具有多尺度、多时相的数据,为森林资源调查提供一种经济有效的方法。但是,目前使用较多的是采用单一遥感数据或光谱-垂直协同的方法对树种进行分类。在森林树种识别中较少使用光谱-垂直-空间特征协同的分类,尤其是多尺度的空间特征。因此,本研究旨在探讨多源遥感数据协同的树种分类研究。研究以广西国有高峰林场为研究区,采用中国林业科学研究院LiCHY系统获取高光谱数据和LiDAR数据。研究区属于典型的南亚热带季风湿润气候,植被类型为人工林。首先,由数据获取各种特征。具体而言,对获取的高光谱数据进行主成分分析,通过随机森林分类的特征重要性评价选择较为重要的主成分波段作为光谱特征;基于保留的主成分特征提取四类典型的空间特征:灰度共生矩阵、扩展形态学轮廓、扩展形态学多属性轮廓和多尺度导引滤波。同时,根据LiDAR数据提取数字高程模型、数字表面模型和归一化数字表面模型,作为垂直结构的特征。然后,根据提取的光谱特征、垂直结构特征、空间特征设计了基于统计学分类和基于深度学习分类的两组实验方法。其中,基于统计模式识别的分类设计了13种特征组合;基于深度学习的方法设计了5组实验。通过对上述基于统计模式识别和基于深度学习的结果进行实验分析,得到如下结论:（1）仅用单一光谱特征分类的总体精度为55.13%。采用单一垂直结构特征分类,其总体精度最高为14.67%。单一数据源的树种分类存在很大的局限性。（2）光谱-垂直特征协同和光谱-空间特征协同相比单一数据源都可以有效提高树种的分类精度,尤其是包括多尺度空间特征的组合对于提高分类效果的作用更为明显。与仅使用光谱特征的方法相比,具有空间特征或垂直结构特征的组合可以将总体精度（OA）分别提高41.58%和9.79%。（3）光谱-垂直-空间特征的协同分类精度相比光谱-垂直特征的协同分类有很大的提升,这也表明空间特征在树种分类中,有很重要的作用。光谱-垂直-空间特征的协同分类精度相比光谱-空间特征的协同分类有所提高,表明数字表面模型（DSM）在树种分类中可以提供森林的三维空间结构信息。在基于统计学的13种特征组合中,光谱特征,DSM和多尺度引导滤波特征的协同作用实现了最高的分类精度,OA为97.18%,Kappa为0.971。这些空间特征对于人工林环境中的树种分类具有很大的应用潜力。（4）通过改变卷积神经网络输入层尺寸大小和卷积核大小得到的最优输入参数为输入层:84×84×11,卷积核:5×5×20。其最优分类（RSC）的总体精度达到了96.78%,相比基于统计学的最优分类（RSG）精度低了0.4%。但是RSC的分类结果图相比RSG的分类结果图胡椒盐噪声更少。（5）同时还对比了不同分类器对于分类的影响。在光谱-垂直-空间协同分类中随机森林的分类精度为97.18%、支持向量机的为95.74%两者的分类精度相差不大,但是随机森林的计算速度优于支持向量机的计算速度。因此综合分析随机森林的分类性能优于支持向量机的分类。在光谱特征的分类中,卷积神经网络的分类精度比随机森林和支持向量机均高了40%以上;在光谱-垂直协同特征分类中,卷积神经网络的分类精度比随机森林和支持向量机均高了25%以上。因此,在树种分类中采用光谱-垂直-空间特征的协同分类精度优于光谱特征、光谱-垂直协同特征和光谱-空间特征协同的分类精度。为人工林树种识别提供了高效、精确的方法。