水是生命的来源,是自然环境中最重要的生态要素之一,所以对于水质的研究与监测尤为重要。湖泊作为地球上最重要的淡水资源,既能维护地区生态平衡,又能在保持生物多样性方面起着重要的作用。随着社会经济的迅速发展,我国的湖泊水质开始持续恶化,大部分处于富营养化状态,太湖是我国富营养化湖泊的典型代表。水体的富营养化导致生态环境逐渐恶化,因此亟须一种科学的方法监测太湖的污染状态以及变化趋势。叶绿素作为水质检测的重要指标之一,可用来检测水体富营养化程度以及水体污染情况。BP神经网络具有处理非线性问题的能力,适合用来预测与分类。本文基于BP神经网络,构建适用于太湖水质中叶绿素a浓度的反演计算模型。本文利用BP神经网络对太湖叶绿素浓度的反演进行了相关的研究,主要工作内容:(1)数据的预处理。首先获取太湖的采样点叶绿素a浓度实测数据和对应的MERIS卫星遥感数据,对MERIS数据进行预处理流程,包括辐射校正、几何校正、大气校正、图像裁剪等操作。然后对输入数据的辐射值进行相关性分析,选取8个较为相关性较高的波段辐射值作为输入参数。(2)构建基于BP神经网络的太湖叶绿素a浓度的反演计算模型。BP神经网络的设计主要包括神经网络层数、训练方法、训练速率的设置、输入输出层节点数、传输函数、隐含层节点数等几个方面。通过训练、学习和调整网络连接参数后,用测试数据对训练好的网络进行验证。验证结果显示,构建的三层BP神经网络的平均相对误差为24.754%。(3)BP神经网络的优化。为了克服BP神经网络易陷入到局部最小值的局限性,使用遗传算法对构建好的BP神经网络进行改进。通过选择、交叉和变异操作后,能够改进BP神经网络的权值和阈值。实验表明,使用遗传算法改进后的BP神经网络,在精度和收敛速度上都要优于改进之前的BP神经网络,平均相对误差降为6.26%,具有良好的反演效果。本文基于BP神经网络构建的叶绿素浓度反演模型克服了传统经验模型在处理非线性问题上的局限性,并采用遗传算法对BP神经网络初始参数进行优化,优化后的模型具有更好的拟合效果。研究成果为基于BP神经网络的水色遥感的研究提供了理论支持。但是在MERIS图像的大气校正、遥感数据的预处理以及遗传算法优化网络参数等方面需要进一步完善来提高网络的输出精度。