多光谱数据的降维处理对于基于深度学习的单株树冠检测研究具有重要意义。如何使用适当的降维方法来提高单株树检测的准确性，目前还很少有人研究和讨论。本文在无人机上安装了多光谱相机进行航空摄影，并采集了研究区域内银杏树的多光谱图像。通过特征波段选择、特征提取和波段组合的方法，从原始多光谱图像中生成五个不同的数据集，训练三个经典的深度学习网络：FPN快速r CNN、YOLOv3、FasterrCNN。其中，波段组合法获得的近红外、红绿波段组合在不同类型的目标检测网络中检测效果最好。其中，fpn-fast-r-cnn网络对银杏冠层的检测准确率最高，为88.4%，OIF索引获得的蓝色、红色和近红外波段组合的信息量最高，但所有网络的平均检测准确率最低，仅为79.3%。实验结果表明，在不同的波段降维方法中，如果降维图像中目标对象的颜色和背景明显不同，且轮廓清晰，则深度学习网络检测树冠可以获得更好的结果。图像本身的信息量对提高深度学习网络的树冠检测能力影响有限。本研究分析了多光谱图像的降维方法，为基于深度学习的单株树冠检测提供了重要的实验参考。