叶绿素a（Chlorophyll-a,Chlor-a）是浮游植物体内的主要色素,同时也是衡量海洋生物量的指标之一,如何精确地反演全球海洋叶绿素a浓度是一个值得研究的课题。中分辨率成像光谱仪（Moderate Resolution Imaging Spectroradiometer,MODIS）能够采集海量水色数据。与此同时,深度学习具有计算能力强、可移植性好的特点,已被推广到多个领域,然而在全球海洋叶绿素a浓度反演方面,深度学习的相关工作还亟待进一步研究。本文采用深度学习中的卷积神经网络（Convolutional Neural Netwo rk,CNN）算法设计反演模型,针对反演结果中存在缺值的问题,采用具有时序数据处理能力的循环神经网络（Recurrent Neural N-etwork,RNN）算法对反演结果进行插值操作,本文主要工作与结论如下:（1）本文设计了基于卷积神经网络算法的叶绿素a浓度反演模型,根据叶绿素a吸收光谱选取MODIS-Aqua卫星5个波段（412nm、469nm、488nm、547nm、667nm）遥感反射率（Remote Sensing Reflectance,Rrs）图像和叶绿素a浓度图像作为实验数据,对原始数据进行数据清洗、感兴趣区域选取等预处理操作。调节卷积核、Patch等超参数,设计CNN模型反演模型结构,然后生成2020年12个月的月平均叶绿素a浓度分布图。对CNN模型输出结果进行定性和定量分析,该模型全年反演结果平均决定系数（R~2）为0.930、均方根误差（Root Mean Squared Error,RMSE）为0.132、平均绝对误差（Mean Absolute Error,MAE）为0.103。实验结果表明,本文设计的CNN模型可准确反演全球海洋叶绿素a浓度。（2）本文设计了基于循环神经网络的叶绿素a浓度缺失数据插值模型,对反演结果中缺失的数据进行插值。选取时间范围为2005至2019年的叶绿素a浓度图像作为实验数据。通过对三种RNN模型实验结果的对比分析,优选了门循环单元（Gated Recurrent Unit,GRU）模型并进行进一步的精细化调参。实验中对比不同全连接神经元个数和网络深度训练出的插值模型效果,确定最终模型参数。对GRU模型输出结果进行定性和定量分析,该模型插值结果的R~2为0.958、RMSE为0.087。实验结果表明,本文设计的基于GRU的RNN模型可以有效补充反演缺失数据,完善CNN模型反演分布图,提高了反演结果的完整度。