海洋是国家发展的战略性资源,是衡量国家综合实力的重要指标,水深数据作为基础数据,在开发海洋资源、海洋航运等领域起着至关重要的作用。由于传统的水深测量多为通过船载测深仪器的方法,成本较高,且无法很好地完成对于复杂地形海域或具有争议海域的测量,因此具有一定的局限性。近年来利用遥感影像进行水深反演的研究也越来越受关注。遥感技术具有大面积、实时、快速等优势,且遥感影像中不同波段之间隐含着大量的潜在信息,通过遥感影像进行水深反演测量水深分方法已经有人使用。但是受遥感传感器成像质量与水体成分的影响,现有的遥感水深反演方法在水深反演的过程中普遍存在精度较低、模型的稳定性较差等问题,因此有必要对上述问题进行研究,提高水深反演的精度与模型的稳定性。本文主要研究内容及结论如下:（1）本文首先根据光线在水体和空气中的传播过程,分析了卫星传感器接收光能来源组成,并以此为基础建立了单波段模型、双波段比值模型、多波段模型。实验结果表明在半经验半理论模型中,多波段模型在一定程度上可以削弱水底底质对水深反演的影响,相较单波段与双波段模型具有较高的模型反演精度。（2）利用高分辨率的World View-2与GF-6遥感影像进行了水深反演实验,并针对GF-6遥感影像上出现的几何误差进行几何配准,从而在在一定减少了由于几何误差带来的影响,使得研究区域的影像值与真实影像的值更加接近。引入NDWI（Normalized Difference Water Index）指数对遥感影像进行水陆分离,增强水体信息,并通过NDWI提取水体边界信息。采用算法对遥感影像上出现的太阳耀斑进行了抑制,在一定程度上消除了图像上的耀斑噪声。（3）创新性的引入GBDT（Gradient Boosting Decision Tree）算法,构建GBDT水深反演模型,并对模型参数进行了优化并探讨了输入模型的不同特征重要性及原因,并与常见的机器学习模型进行精度对比。结果表明选取GBDT模型的特征值M为6、迭代次数N为600时,模型反演性能最佳,在反演过程中B2（绿波段）相比其他波段具有更高的重要性。同为集成学习算法的随机森林（Random Forest）模型与GBDT模型反演精度要优于BP（Back Propagation）神经网络模型与SVM（Support Vector Machine）模型,且GBDT模型在七连屿区域反演RMSE值与MRE值分别为0.83m与18%,在南山湾区域反演RMSE值与MRE值分别为1.36m与20%,在四个模型中最优,具有较高的模型稳定性与反演精度,为更加方便快捷的大面积水深反演提供了方法。