叶面积指数(LAI)是植被的重要结构参数之一,高光谱遥感使得大面积估测LAI成为可能。但是,高光谱数据波段多、波段间的强相关性等特点带来的数据冗余,不仅消耗反演时间,也大大降低了数据利用效率。本文基于PROSAIL物理辐射传输模型与神经网络相结合的综合反演方法,从变换域的角度出发,应用主成分变换和偏最小二乘变换方法对高光谱遥感数据进行降维,然后,利用特征信息反演LAI,与高光谱全波段数据、特征波段数据反演作对比,并综合分析植被高光谱遥感反演的影响因素。主要研究内容和结论如下:　　(1)训练数据的空间维数会影响LAI的反演结果。本文提出对原始数据进行主成分变换和偏最小二乘变换,利用变换得到的特征信息反演LAI,与全波段数据、特征波段数据反演结果做比较,分析得出:　　●PCA变换和PLS变换可以实现数据降维,变换后的反演精度高于全波段反演和特征波段反演,降低了反演误差方程的相关性,提高了反演算法的收敛性和有效性;　　●土壤未知时,基于变换域的反演,可以改善基于特征波段反演中实测LAI<0.5时反演LAI出现负值的现象,提高反演质量。　　●偏最小二乘回归分析在提取能代替自变量和因变量的主要信息时,同时考虑自变量和因变量之间的相关性。对全波段数据作偏最小二乘变换后,结合神经网络建立反算模型反演LAI,反演精度高于偏最小二乘回归分析建立的多元回归模型。　　(2)噪声使得模拟光谱更接近真实值,在基于PCA变换的反演中,用有噪声的模拟数据建立的反算模型反演LAI。土壤未知时,加噪声的模拟数据PCA变换后反演 LAI的最优精度高于无噪声数据,且达到该精度需要的主成分较少;土壤已知时,加噪声数据达到最优反演精度的主成分个数小于无噪声数据,但最优反演精度无提高。　　(3)PCA和PLS都具有抗噪能力。经过PCA变换和PLS变换后的模拟加噪声数据的反演精度,高于全波段加噪声数据和无噪声数据的反演精度,尤其是PLS变换后的反演的最佳结果明显优于全波段数据反演最佳结果。