叶面积指数（Leaf Area Index, LAI）指单位地表面积上单面绿叶面积的总和，是一个很重要的生物物理参数，它与作物的长势及产量密切相关，能够提供作物生长的动态信息,是许多植被-大气相互作用模型，特别是关于碳循环和水循环的模型中的关键参数。由于目前LAI产品在反演LAI产品时没有考虑到水稻生长环境的特殊性，从而在反演模型中对土壤背景进行了过于简单的设置，必然导致水稻LAI产片的误差增大。针对以上问题，本文采用研究区内2003年11月5日的Landsat ETM+遥感数据，结合PROSAIL模型，利用神经网络方法对水稻LAI反演进行了系统的研究，最后结合同年10月23日的植被光谱库中的实测LAI值作为验证数据对反演数据进行了验证。本文主要研究工作包括：1)数据的收集与预处理。包括遥感数据ETM+数据的下载和大气校正，实测光谱库数据的收集与整理。2)对PROSAIL模型的敏感参数进行分析，并结合水稻在该时期各参数的变化情况，确定了叶绿素AB含量，叶子等效水厚度，叶面积指数和土壤反射率4个敏感因子，并进行了模拟光谱与实测光谱的对比进行正向模型的验证。3)基于PROSAIL模型，以一定步长变化敏感参数，正向模拟了18000条反射率数据集，作为神经网络建模时的训练数据和验证数据。4)利用BP神经网络对模型模拟数据进行训练，建立LAI反演模型。并用训练得到的反演模型用于遥感数据的LAI反演。5)利用实测数据对反演结果进行检验。结果表明神经网络模型方法建立的模型可以反映LAI的分布情况，但是由于反演过程中的各项原因，反演结果比实测结果偏低。