悬浮物浓度是水体中重要的水质参数,也是水质和水环境评价的重要指标之一。本研究以太湖、巢湖、滇池和三峡水库为研究对象,首先采用两步聚类法对研究区采样点的遥感反射率光谱曲线进行分类,进而分析了不同类型水体的表观光学特性和固有光学特性,在此基础上针对不同类型水体分别构建了相应的悬浮物浓度遥感估算模型,进而将模型应用于太湖地区的GOCI影像上,实现基于GOCI影像的太湖悬浮物浓度遥感估算,并分析了太湖悬浮物浓度的空间分布特征及其变化趋势,主要得出以下结论：(1)研究区水体分类及其光学特性利用两步聚类法对研究区水体进行光学分类,综合考虑两步聚类法中的BIC、BIC变化量、BIC变化率和距离变化率四个评价指标,最终确定本研究中所有采样点的最佳聚类数目为三类,通过分析不同类型水体的悬浮物浓度及叶绿素a浓度,确定三种类型水体的主导因子分别为：悬浮物主导、悬浮物和叶绿素a共同主导、叶绿素a主导。三种类型水体具有不同的光学特性,不同类型水体的遥感反射率和色素颗粒物吸收系数在数值和光谱曲线形状上都存在较大差异,而不同类型水体的非色素颗粒物吸收系数、CDOM吸收系数及散射系数在光谱形状上基本一致,其差异主要体现在数值上。(2)不同类型水体悬浮物浓度遥感估算模型针对不同类型水体分别构建了相应的悬浮物浓度遥感估算模型,其中,悬浮物主导型的水体最优估算模型为以B7/B4为最佳波段组合因子的二次函数模型,共同主导型的水体最优估算模型为以B7/(B8+B4)为最佳波段组合因子的指数函数模型,叶绿素a主导型的水体最优估算模型为以B7/(B8+B4)为最佳波段组合因子的幂函数模型,而未分类水体悬浮物浓度最优估算模型为以B7/B4为最佳波段组合因子的二次函数模型。与不分类水体所建立的模型相比,针对分类后的水体构建的模型误差得到了不同程度的降低,三类水体建模数据的平均相对误差比不分类前分别降低了1.11%、6.75%和4.20%；验证数据的平均相对误差下降效果更为显著,相比于未分类水体,分类后水体的平均相对误差分别下降了19.37%、8.96%和3.18%。(3)基于GOCI影像的太湖悬浮物浓度遥感估算采用FLAASH和6S两种大气校正方法对GOCI影像进行大气校正。利用实测光谱数据做对比,结果表明,6S大气校正后的结果无论在光谱形状还是数值上都比FLAASH大气校正后的结果更接近于实测光谱曲线,更适用于GOCI影像的大气校正。对GOCI影像的像元先分类,然后选择相应的估算模型,实现太湖悬浮物浓度的遥感估算。结果表明,从时间变化来看,太湖悬浮物浓度的天际变化明显高于其天内变化,不同日期估算结果存在明显区别,而同一天内变化趋势也不尽相同；从空间分布特征来看,太湖东部及东北部区域为悬浮物浓度相对低值区,水体相对清澈,太湖西部及西南部区域为悬浮物浓度相对高值区,水体较为浑浊,而太湖中部区域悬浮物浓度则介于两者之间,这与太湖入湖及出湖河流的分布存在一定的联系,同时风速、风向等气象因子,地理位置、地貌等地形因子也在一定程度上影响着太湖悬浮物浓度的空间分布特征及其变化趋势。