水汽又称大气可降水量（Precipitable Water Vapor,PWV）,是大气中的重要组成部分,掌握大气中水汽的分布,对于研究当地的气候及进行生产活动具有重要意义。目前反演大气水汽的相关技术众多,反演原理和精度也不尽相同。地基GNSS（Global Navigation Satellite System,GNSS）反演大气可降水量具有精度高、全天时、不受云雨等天气影响的特点,但是反演得到的水汽值并不连续。利用MODIS（Moderate resolution Imaging Spectroradiometer,MODIS）反演大气可降水量能够获得连续分布的水汽,但是受云、气溶胶等因素的制约,数据精度受到限制。通过对水汽反演方法进行归纳,对多源数据的融合可行性进行研究,以实现优势互补。针对GNSS反演大气可降水量精度高、时间分辨率高,MODIS反演大气可降水量空间连续、空间分辨率高的特性,建立PWV校正模型。利用GNSS PWV对MODIS PWV进行校正,从而构建空间连续、高精度高时间分辨率的济南地区大气水汽场,得到了有益结论,为济南地区反演大气可降水量的相关应用提供支持。论文的主要研究内容及结论如下:（1）介绍国内外利用GNSS和MODIS技术进行反演大气可降水量的研究情况。利用GNSS水汽反演数据对MODIS水汽反演数据进行校正的可行性和研究进展。介绍高空气象探空站、地基GNSS、MODIS反演大气可降水量的基本原理和方法。（2）大气加权平均温度作为影响GNSS大气可降水量反演的重要因素,直接影响GNSS PWV反演精度。针对并无适用于济南地区的大气加权平均温度模型,利用2015-2019年济南章丘高空气象探空站的观测数据和ERA5再分析资料,建立济南地区加权平均温度模型。通过与Bevis模型及中国东部地区模型相比,济南加权平均温度模型RMSE精度分别提高了20%和21%、MAE精度分别提高了25%和23%。借助GAMIT10.75进行PWV反演实验,济南加权平均温度模型PWV的Bias、RMSE、MAE较Bevis模型的精度分别提高0.34mm、1.10mm、0.54 mm。济南地区加权平均温度模型更适合本地PWV反演。（3）利用山东省卫星导航基准服务系统（Shandong Continuously Operating Reference Stations,SDCORS）提供的济南地区15个CORS站的高精度GNSS观测数据和MODIS发布的MOD05产品,反演得到GNSS PWV和MODIS PWV。发现MODIS PWV存在数值低估现象。通过对GNSS PWV和MODIS PWV的相关关系进行分析,二者的相关系数为89.91%,存在良好的线性相关关系,可以用GNSS PWV对MODIS PWV进行校正。（4）利用济南地区CORS站的观测数据,分别构建线性校正模型,非线性校正模型以及BP神经网络校正模型,对MODIS PWV进行校正。其中线性回归校正模型RMSE值为4.15mm,精度提高了26.93%、非线性校正模型RMSE值为3.49mm,精度提高了38.55%、BP神经网络校正模型RMSE值为3.30mm,精度提高了41.9%。利用CQRS及ZQRS两个CORS站点对三种模型进行精度分析。CQRS、ZQRS站的RMSE值经过三种方法校正后均降低,其中利用线性回归校正模型RMSE值分别降低了1.5mm、2.68mm,利用非线性校正模型RMSE值分别降低了2.33mm、2.9mm,利用BP神经网络校正模型RMSE值分别降低了2.86mm、3.08mm。三种校正模型均能提高MODIS PWV的精度,非线性校正模型和BP神经网络校正模型的校正效果基本相同,优于线性校正模型的最终结果。（5）构建济南地区大气水汽场。济南地区水汽分布情况整体满足由东南向西北增大的变化趋势。大气可降水量的分布受海拔以及降水等因素的影响明显。不同季节的大气可降水量分布同样满足西高东低的变化情况,但不同季节间的可降水量差距较大。地势、水源、季节以及气候均会影响大气可降水量的分布情况。通过对一次降水过程前后的水汽分布及降水情况进行分析,融合校正后的PWV数据可应用于了解本地区的水汽变化情况,为气象应用提供支持。