机载高光谱数据能够反映树种光谱特征，可以对森林树种进行精确分类。应用不同机器学习分类算法对无人机高光谱影像进行树种分类研究。首先利用无人机完成黑龙江省帽儿山实验林场研究区的高光谱数据采集，对获取数据进行一系列预处理；然后分别利用基于高斯核的支持向量机、随机森林、K-近邻3种不同机器学习分类算法建立基于全波段高光谱数据的树种分类模型，并基于不同波段选择方法（连续投影算法、竞争性自适应重加权法以及无信息变量消除法）对全波段高光谱数据降维后再进行树种分类模型构建；最后联合不同波段选择方法与高光谱图像纹理特征构建树种分类模型，并对不同处理方法结果进行比较。研究表明，对于全波段高光谱数据的树种分类模型中，基于高斯核的支持向量机分类准确率最高（87.55%）。不同波段选择后，随机森林稳定性是3种分类算法中最好的，准确率较高，而基于高斯核的支持向量机分类准确率随着特征维度的增加而提升。基于灰度共生矩阵提取纹理特征后结合波段选择建立的树种分类模型准确率高于单一的波段选择建立的模型，尤其是K-近邻分类算法的提升最大，说明具有明显划分的特征进行其建模可达到较好分类效果。该研究利用不同特征选择方式结合3种不同的机器学习分类算法实现了基于高光谱数据的优势树种分类，为波段选择方式与机器学习算法结合提供了技术参考，也对基于无人机高光谱数据的森林生物量反演和碳储量估测研究具有重要意义。