目前林业害虫检测研究多数基于传统机器学习算法，且存在精度低、效果差的问题。对此，提出了一种基于深度学习模型YOLOv4的林业害虫检测模型——Pest-YOLOv4。采用K-means++算法聚类先验框，提高了先验框avg-IoU值。将ECA（Efficient Channel Attention）和CBAM（Convolutional Block Attention Module）结合，构成ECA-CBAM注意力机制，使网络更多关注有利于林业害虫检测的特征信息。重新组织网络颈部，构成SPP-PANet，融合多重感受野捕获的特征信息。利用Focal Loss思想改进损失函数，在平衡正负样本比例的同时关注难区分样本的学习。实验结果表明，Pest-YOLOv4林业害虫检测模型mAP达到90.4%，相较于YOLOv4提高4.2%，FPS保持在33.4 f/s，满足林业害虫检测任务的检测精度与实时性要求。

林业测量调查是星载激光遥感的重要应用方向。迄今为止，国外发展了多台套的星载激光载荷已经用于林业遥感。国内资源三号（02）星搭载的激光测距仪实验载荷实现了我国星载激光对地观测的突破，即将发射的陆地生态系统碳监测卫星多波束激光雷达也将在林业遥感中取得重要应用。ICESAT-1/GLAS系统全波形数据成功用于全球林地垂直结构调查，ICESAT-2/ATLAS系统以光子探测的方式获取林地点云调查数据，星载激光遥感林业应用从实验、演示验证、进入实用阶段。这期间多型星载激光雷达经过了技术体制的选择、参数的优化，器件技术和处理技术的突破。本文综述了主要在轨服务林业遥感的星载激光雷达的配置和数据应用，研究了星载激光雷达林业遥感的探测机制、技术体制、应用现状、适用范围等，分析总结了各类星载激光雷达林业应用技术特点、发展演化趋势，提出星载激光雷达载荷研制应根据任务应用需求、科学和工程目标，充分发挥激光技术长项，与其他载荷手段优化配置，扬长补短，展望了星载激光雷达林业遥感技术和应用的发展趋势、研究热点及其应用拓展。