地表温度很大程度上决定了陆地表层系统辐射能量平衡中的长波辐射,是地表辐射能量平衡和水循环过程中的重要参数;因此,及时、准确的获取地表温度值,掌握其时空变化规律,对农作物蒸散及长势监测、水循环过程、气候变化等应用研究具有重要意义。要有效获取区域和全球大范围尺度上的地表温度分布,传统的地面站点观测方式难以实现,而随着卫星遥感观测技术的快速发展,多源遥感数据的获取使得精确监测全球范围内地表温度的时空变化情况成为可能。卫星热红外遥感观测具有空间分辨率高、反演精度高的特点,但热红外传感器具有无法穿透云层的先天缺陷,云覆盖像元信息的缺失很大程度上影响了地表温度分布的完整性和连续性,阻碍了地表温度产品的实际应用。而被动微波遥感观测能够穿透云层获取热辐射信息,具有全天候和多极化的优势,为地表温度获取提供了另一种有效途径。但被动微波数据有着空间分辨率低、反演精度低的劣势,并且被动微波传感器的特定扫描方式导致相邻轨道之间存在扫描间隙,在部分区域缺少有效的地表温度观测值。因此,如何有效解决被动微波观测的轨道间隙问题,并结合热红外遥感与微波遥感观测的优势,生成高分辨率的全天候地表温度数据具有重要意义。当前遥感地表温度缺失信息的重建研究,主要集中于热红外云覆盖、传感器故障等情况。尽管已有一些集成被动微波和热红外观测生成全天候地表温度的方法,但大多数方法并未考虑到被动微波观测的轨道间隙问题,生成的全天候地表温度并不是真正意义上的空间连续,也有部分方法采用较为简单的空间插值方法重建被动微波数据缺失信息,从而获得空间无缝的全天候地表温度,但其精度往往难以保证。针对上述存在的问题以及地表温度高时空动态变化性的特点,本文受深度学习方法在解决非线性问题方面的良好表现的启发,提出基于深度学习的遥感地表温度缺失信息重建方法,首先基于卷积神经网络模型重建得到精度较高的无缝被动微波地表温度,再结合热红外观测数据来生成空间无缝的全天候地表温度。本文的主要研究工作如下:（1）考虑到AMSR-E地表温度数据存在较大轨道扫描间隙缺失,但相邻时间数据空间信息互补且具有一定周期性,本文提出深度学习下的多时相特征连接卷积神经网络（MTFC-CNN）方法,利用相邻时相的数据双向重建AMSR-E数据轨道间隙缺失像元信息。在模拟实验中,经过与两种传统重建方法对比发现,MTFC-CNN方法能更有效挖掘地表温度的时空变化信息,取得了更优的定量评价结果。在真实实验中,利用MTFC-CNN方法生成2010年全年的空间无缝AMSR-E地表温度数据,通过与质量控制后的MODIS地表温度产品对比发现:缺失区域重建后地表温度与未缺失区域的地表温度的时空分布基本一致。总体研究结果表明,针对AMSR-E地表温度轨道间隙缺失数据,MTFC-CNN方法取得了良好的重建效果,是一种有效的重建方法。（2）本文设计了多尺度多时相特征连接的生成对抗网络（MSTFC-GAN）,结合重建后的空间无缝AMSR-E数据与云覆盖缺失的MODIS数据,生成真正空间无缝的全天候地表温度数据。实验中,通过模拟不同云量覆盖情况下的MODIS缺失数据,以及采用不同比例的训练样本量,探究了云覆盖范围和训练样本量大小对于地表温度重建的影响。在实际全天候地表温度估算中,利用青藏高原和黑河流域的六个站点的实测数据,对生成的无缝全天候地表温度数据进行精度评价,证明了其重建精度的可靠性。此外,还将本文方法与现有的基于被动微波和热红外观测生成全天候地表温度的方法进行对比,结果表明在没有任何额外辅助数据的情况下,本文方法生成的结果在图像质量（如空间细节）和验证精度方面更具有优势,并且对比重建后的AMSR-E地表温度数据在定量精度上和区域空间细节上有了很大提升。研究结果表明:MTSFC-GAN方法充分利用了生成对抗网络强大的非线性表达能力,能够从大量的训练样本中学习不同时空尺度上地表温度的非平稳和高动态变化,在结合热红外和被动微波数据进行全天候地表温度估算上取得了良好表现。（3）基于上述方法生成的2010年中国大陆区域的空间无缝全天候地表温度,本文对全年不同月份间地表温度的时空变化趋势进行分析,通过计算不同月和旬的平均地表温度与年平均值的距平指数,采用Slope斜率和显著性检验的方法,分析讨论了地表温度的年内时空变化趋势。另一方面,本文进行了地表温度与归一化植被指数、土壤含水量、降雨量和气溶胶光学厚度四种影响因素的相关性分析,以及确定不同因素在不同气候区域对于地表温度变化的影响。