叶绿素a是水体初级生产力的重要指标,通过遥感数据估计水体叶绿素a浓度是当前水色遥感的重要内容。水体中存在复杂的物理、化学和生物过程,水体组分的复杂性和光谱测量中的不确定性等因素制约着叶绿素a浓度的遥感估计精度。当前,浑浊水体的叶绿素a浓度的遥感估计多通过光谱波段进行,其中,以三波段模型的应用和验证最多。叶绿素a是水体中浮游藻类颗粒物中的色素,环境因素影响着浮游藻类生长,也影响着水体中的叶绿素a浓度。建立反演模型提高叶绿素a浓度的遥感估计精度,对于水质的遥感监测具有重要的意义。基于太湖水体2010-2018年的室内外实验数据进行研究。采样点的叶绿素a浓度分成4个梯度（对应的谱为Ⅰ,Ⅱ,Ⅲ,Ⅳ）,每个梯度中抽取2/3的数据作为建模数据,1/3样点作为验证数据。论文首先分析了环境因子与叶绿素a浓度的关系,使用特征选择方法确定了建模集数据的最佳光谱特征。在此基础上,分别以叶绿素a浓度值和浓度等级为响应变量,采用不同的回归方法和多种判别方法对建模集数据进行叶绿素a浓度的遥感估计,对比分析基于光谱特征与耦合环境因子的遥感估计结果的差异,建立了耦合环境因子的叶绿素a浓度遥感估计模型,并用测试集进行了验证。主要研究内容和结论如下:（1）环境因子与叶绿素a浓度的关系对叶绿素a浓度（Chla）与月份、季节、湖区、温度和风速等环境因子的关系进行统计和相关分析,结果表明,在所使用的数据集中,环境因子与叶绿素a浓度之间没有表现出直接的明显的线性相关性。结合已有的研究,需要从非线性的角度来考虑环境因子对叶绿素a浓度遥感估计的影响。（2）典型叶绿素a浓度梯度下水上光谱的光谱特性基于建模集数据,分析典型叶绿素a浓度梯度下的光谱特性,采用随机森林方法确定最佳的光谱组合。结果表明,不同浓度梯度下光谱的最大相关波段不同。分析确定了四个最佳光谱特征:三波段比值（三个波段为666nm,706nm,729nm）、690nm附近的一阶微分值、675nm附近的反射谷谷底至700nm附近的反射峰峰顶的反射率差值,700nm附近反射峰的波段位置。（3）基于光谱特征和耦合环境因子的叶绿素a浓度遥感估计模型基于建模集数据,分别以光谱特征和光谱特征+环境因子为输入,采用反向传播神经网络（BP）、随机森林（RF）、分类学习器和贝叶斯网络进行建模。结果表明,使用Chla值作为输出,与仅使用光谱特征的三波段模型相比,光谱特征+环境因子的BP神经网络和RF的各项精度指标优于其他方法,其中,前者的决定系数R2为0.94,均方根误差RMSE为5.61mg/m3,后者的决定系数R2为0.91,均方根误差RMSE为6.81 mg/m3。使用Chla等级作为输出,采用分类学习器和贝叶斯网络进行等级判别,对于光谱特征和环境因子的输入,逻辑回归学习器（LR）和K近邻学习器（KNN）的建模效果较好,贝叶斯网络整体的精度与基于光谱特征的判别精度无明显差异。与仅使用光谱特征的结果相比,LR对高浓度点的判别精度有明显提高。（4）耦合环境因子的叶绿素a遥感估计模型的验证重要性评价表明,环境因子中,温度对Chla的遥感估计影响最大,月份、风速和湖区对叶绿素a反演估计有一定的提高,但效果不明显。模型的验证结果表明:以光谱特征和光谱特征+环境因子为输入,Chla作为输出,BP神经网络和随机森林的验证精度指标均优于其他方法,其中,前者的R2为0.85,均方根误差RMSE为8.46 mg/m3,后者的决定系数R2为0.83,均方根误差RMSE为9.27mg/m3。与仅使用光谱波段所构建的模型对比,增加环境因子后,模型的验证精度有了明显的提高。以Chla等级作为输出,LR对低浓度样本的识别精度较高,与仅使用光谱波段的判别相比,增加环境因子后,LR对低浓度样点的判别查准率提高了 4%,查全率提高了 7%。论文基于多种方法建立了耦合环境因子的太湖水体的叶绿素a浓度的遥感估计模型,并进行了比较验证,表明在模型中增加环境因子可获得更高的反演精度。论文结果可为太湖水体的叶绿素a浓度的遥感估计提供参考,相关的方法对于其他生化参数的遥感反演建模也具有参考价值。