叶绿素a（Chlorophyll-a）浓度是海洋水色的重要要素之一,叶绿素a浓度数据对于监测资源与环境有着重要意义。但是由于天气、扫描条带、卫星传感器故障等因素的影响,造成叶绿素a浓度产品常常存在大面积缺失问题,此时如何能够有效利用现有的各卫星数据,重建出叶绿素a浓度产品中的缺失部分,从而得到一幅可利用率高、精度高的叶绿素a浓度数据,成为当下海洋遥感领域的研究热点。本文基于深度学习技术,结合实测海洋叶绿素a浓度数据,分别对2011年7月4日的GOCI光学遥感影像进行叶绿素a浓度反演、并对MODIS叶绿素a浓度产品进行融合。之后将得到的GOCI和MODIS的两个叶绿素a浓度数据融合,并使用经验模态分解（Empirical Mode Decomposition,EMD）方法重建数据中的缺失值,并从可利用率、相关性等方面对结果进行分析和评价。本文的主要研究内容及结论包括以下几个方面:（1）建立了深度神经网络DNN（Deep Neural Networks）、卷积神经网络CNN（Convolutional Neural Networks）模型来反演GOCI叶绿素a浓度。MODIS叶绿素a浓度数据产品常常会出现大面积缺失的情况,为了丰富我国黄、渤海地区的叶绿素a浓度数据量,在对GOCI数据进行预处理后,根据现场实测光谱和GOCI等效波段遥感反射率之间的相关关系,选择了4个波段分别建立深度神经网络DNN、卷积神经网络CNN反演模型,开展叶绿素a浓度遥感反演研究,其中DNN模型在测试集的均方根误差（Root Mean Square Error,RMSE）为1.281μg/L,平均绝对误差（Mean Absolute Error,MAE）为0.740μg/L,并将该模型用于黄、渤海海域,与实测数据的相关系数达到0.864。（2）建立了Aqua/MODIS和Terra/MODIS数据融合模型。以MODIS传感器的全球叶绿素a浓度产品为基础,结合多年的浮标实测数据,利用DNN深度神经网络建立Aqua/MODIS和Terra/MODIS的融合模型,融合出全球海洋叶绿素a浓度产品,与实测数据的相关系数达到0.901。（3）利用经验模态分解（Empirical Mode Decomposition,EMD）算法重建缺失的叶绿素a浓度。将利用深度学习方法得到的MODIS叶绿素a浓度产品与GOCI叶绿素a浓度数据融合,对仍然缺失数据的区域进行EMD补值,补值以后的数据与实测数据的相关系数为0.968,RMSE为0.300μg/L,平均绝对误差MAE为0.203μg/L。