无人机遥感在森林树种精细和高效分类制图中具有巨大的潜力.为了快速准确获取森林的优势树种分布信息,该研究探讨了半监督学习方法在树种分类方面的有效性.以福建省福州市、龙岩市和三明市的4个试验区为例,构建精简的ResNet18为主干的UNet树种分类模型(UNet-ResNet14*),使用交叉熵和Dice系数的联合损失函数来优化模型参数,对比分析Self-training和Mean　Teacher两种不同的半监督学习方法在无人机影像森林树种分类模型的泛化能力.结果表明,以ResNet14*作为主干的分类模型与其他模型相比精度更高且预测速度更快,当联合损失函数权重值为0.5的情况下模型预测效果最好,总体精度达到了　91.15％.经过Self-training的模型在木荷、马尾松、杉木3个样本充足的类别中精度均有所提升,总精度为91.08％,比原始模型略低,但在独立验证区的精度为88.50％,比原始模型高;Mean　Teacher方法的总精度为88.56％,在独立验证区的精度为73.56％.因此,研究认为可以采用Self-trainin半监督方法结合UNet-ResNet14*的方案快速得到试验区的树种组成信息.