草方格沙障固沙是荒漠化治理过程中固沙阶段的有效手段,但是目前对固沙后沙障区的植被演化研究还不够充分。植被生长参数是其生长演化的直接反映,传统的人工调查方法效率低下、实时性差,近年随着无人机技术的全面发展,其获取的数据精度越来越高且有着良好实时性,在林业调查中得到了广泛的应用。因此,本文针对草方格沙障区域植被监测问题,以固沙后沙障区植被株高、冠幅等关键生长参数为研究对象,在获取研究区植被无人机图像基础上,从植被的三维结构恢复出发,开展了基于无人机图像的沙地植被生长参数检测研究,具体研究工作和创新点如下:（1）针对无人机图像的三维重建效率低下问题,提出了一种新的三维重建图像聚类匹配策略。分别提取了无人机图像的位姿信息和颜色纹理信息,并做L2范数归一化处理构建了图像的融合特征,基于P-stable局部敏感哈希对待匹配图像进行聚类,避免了运动恢复结构算法的全局匹配。针对三个场景对比所提算法与两种全局匹配算法运行效率表明本文算法三维重建效率有较大幅度提升（58.30%～64.57%）,进一步对三维重建点云进行了精度分析和验证,结果表明所提算法生成点云数量上虽有较小幅度数量下降（2.3%～6.1%）但精度能够满足植被生长参数检测需求。分别以本文所提三维重建算法对腾格里沙漠和毛乌素沙地15个样地的无人机序列图像进行了三维重建得到了密集匹配点云。（2）针对沙障区点云数据的株高提取问题,系统分析了密集匹配点云特性,对比了不同点云滤波及精简方法的表现,对点云进行了预处理。进一步针对株高提取精度问题,提出了基于树编辑距离的改进随机森林点云分类算法,解决了决策树冗余问题。构建了多尺度点云特征集并采用VIM评分方法对特征集进行优选,经对比分析发现本文所提算法在实验样地点云地面点、梭梭点、沙蒿点错分率（1.9%,3.2%,6.9%）、漏分率（0.9%,6.5%,8.7%）方面优于对比算法。在点云分类基础上采用K-means算法对分类点云进行了聚类处理,分离了植株单株点云,提取了研究区植株单株株高,结合研究区实测株高对提取株高进行了精度验证,全部样地下梭梭、沙蒿、沙柳株高R~2分别为0.8377、0.7635、0.7575,RMSE分别为0.24m、0.15m、0.38m。（3）针对沙障区植被冠幅提取问题,拼接无人机图像生成了研究区正射图像,并基于点云数据生成了研究区冠层高度模型,进一步利用冠层高度模型所带高程信息获取前景标记并采用H-minima算法剔除虚假标记引导分水岭分割,基于平均梯度加权构建了多尺度形态学梯度算子并采用强制极小值变换修正了梯度图像,抑制了分水岭算法的过分割现象,提升了分水岭分割精度,实现了研究区正射影像单株植株位置检测和植株树冠分割。实验测试分析了不同分辨率下的冠层高度模型和不同大小卷积核对单木位置提取的影响,最终结合研究区实测冠幅数据验证了提取冠幅的精度,全部样地下梭梭、沙蒿、沙柳冠幅R~2分别为0.862、0.7823、0.8504,RMSE分别为0.19m、0.13m、0.34m。