Nos últimos anos, a estimativa de parâmetros florestais, como a altura das árvores (CH) e a biomassa acima do solo (AGB) tem ganhado muita importância devido ao seu papel essencial na compreensão do ciclo global do carbono, na mitigação das mudanças climáticas e na prevenção da perda de biodiversidade. A inferência precisa desses parâmetros é crucial porque eles são indicadores chave da saúde da floresta e da capacidade de armazenamento de carbono. A Amazônia brasileira, uma floresta tropical vital, desempenha um papel crucial na absorção de tanto carbono quanto o que é liberado pelo desmatamento e pela degradação. A compreensão e o monitoramento da CH e da AGB permitem melhores estratégias de gestão e conservação, e promovem práticas sustentáveis. Tradicionalmente, esses parâmetros florestais, têm sido estimados por meio de métodos de campo, como inventário florestal, que envolvem medição física das árvores. No entanto, esses métodos são altamente precisos, são trabalhosos e, muitas vezes, impraticáveis para avaliações em larga escala devido à natureza vasta e inacessível das florestas. Além disso, a aplicação de técnicas de aprendizado de máquina (ML) e aprendizado profundo (DL) oferece vantagens significativas em relação aos métodos tradicionais, fornecendo soluções rápidas e dimensionáveis para a estimação dos parâmetros florestais em áreas extensas. Além disso, esses métodos podem integrar dados de diferentes fontes, aumentando a robustez das estimativas. Embora muitos estudos tenham utilizado dados de inventário florestal, RS e técnicas de ML, as técnicas de DL permanecem pouco exploradas em estudos na Amazônia brasileira. Este estudo visa avaliar técnicas de DL para estimar a CH e a AGB em florestas tropicais densas usando diferentes imagens de RS, incluindo o Sentinel-1, ALOS-2/PALSAR-2, Sentinel-2 e GEDI. Três modelos de DL foram testados para a estimativa da CH, sendo que o melhor modelo alcançou um R(2) de 0.751, um MAE de 4.068 metros, e um RMSE 5.737 metros. Além disso, várias técnicas de ML foram avaliadas para a estimativa de AGB, resultando em um R(2) de 0.648, MAE de 48.842 Mg·ha(-1), e RMSE of 70.745 Mg·ha(-1) .