Los bosques son cruciales para la biodiversidad, la regulación del clima y los ciclos hidrológicos, requiriendo una gestión sostenible debido a amenazas como la deforestación y el cambio climático. Los métodos tradicionales de monitoreo forestal son intensivos en mano de obra y limitados, mientras que el LiDAR UAV ofrece datos tridimensionales detallados sobre la estructura del bosque y una cobertura extensa. Este estudio evalúa principalmente algoritmos de segmentación de árboles individuales en dos ecosistemas forestales con diferentes niveles de complejidad utilizando datos LiDAR de alta densidad capturados por el sensor Zenmuse L1 en una plataforma DJI Matrice 300RTK. La metodología de procesamiento de datos LiDAR incluye pasos de preprocesamiento preliminares para crear Modelos de Elevación Digital, Modelos de Superficie Digital y Modelos de Altura de Dosel. Se realizó una evaluación exhaustiva de las técnicas más efectivas para clasificar puntos en el suelo en la nube de puntos LiDAR y derivar modelos precisos, concluyendo que el método de Red Irregular Triangular es una opción adecuada. Posteriormente, se aplica el paso de segmentación para permitir el análisis de los bosques a nivel de árbol individual. La segmentación es crucial para monitorear la salud del bosque, estimar la biomasa y comprender la composición y diversidad de especies. Sin embargo, la selección de la técnica de segmentación más apropiada sigue siendo un tema de investigación candente con una falta de consenso sobre el enfoque óptimo y las métricas a emplear. Por lo tanto, después de revisar el estado del arte, se realizó una evaluación comparativa de cuatro algoritmos de segmentación comunes (Dalponte2016, Silva2016, Watershed y Li2012). Los resultados demostraron que el algoritmo Li2012, aplicado a la nube de puntos 3D normalizada, logró el mejor rendimiento con un F1-score del 91% y un IoU del 83%.