次表层叶绿素最大值（Subsurface Chlorophyll Maxima,SCMs）是全球海洋生物剖面的显著共性之一,是指发生在上混合层以深水体中的叶绿素峰值现象。SCM层中的浮游植物生物量和初级生产力对整个水体有着显著贡献。由于SCMs发生在卫星可探测深度以深,目前对这一现象的大时空尺度分布特征的认识仍存在不足。充分利用高分辨率的海洋表层遥感数据实现SCMs的反演,是统计科学和海洋环境科学的热点和难点。本文首次提出了一种基于卷积神经网络结构的SCM反演模型,利用该模型对南海中北部叶绿素垂直分布进行了反演,分析了 SCMs深度、强度特征的时空分布。本文首先搜集了中国南海的多源叶绿素数据,包括OCCCI水色遥感数据,BGC-Argo浮标观测数据以及三维物理-生态耦合模式（CMEMS）的数值结果等;然后对搜集到的数据进行数据处理,处理过程包括基于经验正交函数插值方法（DINEOF）的缺失数据重构,低通滤波,数据校正,多源数据时空匹配以及统一分辨率等;最后将数据进行格式转换,并切分为CMEMS模式预训练数据集和遥感与观测相匹配的迁移学习数据集,分别在两个数据集中进行训练集和测试集的划分。基于卷积神经网络模型（Convolutional Neural Network,CNN）,本文构建了一个三段式的叶绿素浓度垂直分布反演模型（CNN-SCMs）,这三个阶段分别为特征聚焦阶段,特征提取阶段和叶绿素剖面估算阶段。通过比较分析两组不同输入变量的预训练结果,确定CNN-SCMs模型以海洋表面叶绿素浓度、海表面温度（SST）及其月份特征作为输入量,将每个BGC-Argo浮标观测的叶绿素剖面所在站位的局部区域作为输入数据范围。在特征聚焦阶段,利用距离权重矩阵,将模型聚焦于海洋表面局部输入的中心部分,凝练模型的输入特征。在特征提取阶段利用特征金字塔结构,提取多空间尺度的海洋表面物理量特征。在叶绿素剖面估算阶段,利用全连接神经网络结构和Sigmoid激活函数,加强模型对输入特征与叶绿素垂直剖面的拟合。训练过程中,首先利用CMEMS海洋模式数据集对CNN-SCMs模型进行预训练,在此阶段对模型进行调参,得到最优CNN-SCMs的模型结构参数,以及模型在反演叶绿素垂直分布任务上的初始权重。然后将预训练的CNN-SCMs应用于遥感数据与BGC-Argo浮标观测数据相匹配的数据集上,进行迁移学习,利用观测数据对模型进行微调,以更贴近实际海洋物理现象,最后对模型进行验证和测试。模型测试部分,从时间和空间多维度展示了 CNN-SCMs模型反演SCM的准确度。经过预训练的模型在海洋模式数据测试集上的RMSE为0.1 mg m-3,相关系数为0.55,并在时空尺度上分别展示了 SEATS站为中心的时间序列反演结果,116°E剖面与18°N剖面的叶绿素垂直分布反演结果,结果表明了训练模型的有效性和准确性。经过遥感和观测数据进行模型微调之后,CNN-SCMs模型在测试集的RMSE为0.1 mg m-3,相关系数为0.84,在时空尺度上对两台BGC-Argo浮标观测叶绿素垂直浓度分布与模型反演结果进行对比,结果表明该网络能够有效反演南海中北部SCMs深度和强度的空间和季节变化特征。最后,利用南海中北部的高分辨率遥感数据,基于训练得到的CNN-SCMs模型反演得到该海域的日平均高分辨率叶绿素垂直分布,并分析了 SEATS站位从2014年至2016年SCMs的长时间序列反演结果。结果显示SCMs强度逐年减弱,SCMs深度和厚度变化不大,季节变化显著,冬季SCMs现象消失,春季至秋季SCMs深度位于50-80 m间,SCMs强度范围为0.4-0.6 mg m-3。对116°E和18°N的平均垂向横切面SCMs长时间序列变化以及空间变化特征,结果显示其横纵剖面的季节变化与SEATS站一致,在空间上近岸地区SCMs深度较浅,浓度较低,而在大洋地区SCM现象较为明显,深度位于60-80 m间,强度范围为0.5-0.6 mg m-3。最后对南海研究海域范围内2020年四个季节的强度和深度空间变化特征进行了分析,结果显示南海北部比南海中部的SCMs深度和强度波动大,近岸地区的SCM强度比大洋地区高。综上,本文以中国南海中北部为研究区域,提出了一种基于CNN神经网络结构的次表层叶绿素垂直分布反演模型（CNN-SCMs）,引入特征权重矩阵、特征金字塔结构和全局最大池化模块,有效拟合了表层海洋物理量与次表层叶绿素垂直分布之间的关系。结果表明该模型能够对南海中北部次表层叶绿素SCM分布进行有效估算,为南海次表层叶绿素数据集的构建和南海海域初级生产力研究分析提供了支持。