由于人类生产生活的影响,我国的水体均受到不同程度的污染。传统的水质采样分析方法,难以获取整体水域的水质情况。而利用遥感图像对水质参数进行监测,能获得的水域监测范围更为宏观。p H值、溶解氧含量（DO）、化学需氧量（COD）和NH₃-H含量是我国评价水质的重要基本参数,而目前关于这四类水质参数的监测算法不够成熟,是时下研究的热点问题。本文基于遥感图像针对这四类水质参数的监测算法展开了研究。针对上述四类水质参数与Landsat-8遥感图像各波段光谱值相关性不高,难以建立水质参数与单个波段的映射关系,而传统多元回归方法准确率较低的问题,本文提出了适用于水质参数监测的BP神经网络算法。利用BP神经网络具有非线性映射能力强和自学习与自适应能力的优点,建立了基于遥感图像多个波段光谱值的水质参数反演模型。实验结果表明:BP神经网络模型对p H值、DO、COD和NH₃-H含量的预测值与实测值的相对均方根误差分别为0.0808、0.3417、0.1970和0.3242。p H值和COD的测试数据相对误差较小,模型均能够很好地反演出水质参数;DO和NH₃-H含量的测试数据相对误差较大,但此两种水质参数反演模型的拟合优度尚可。针对水质参数是具有趋势性、季节性和周期性的时序数据,本文提出了使用循环神经网络的改进模型LSTM来对水质参数进行监测。利用了循环神经网络处理时序信息的优势,在算法的输入层引入了前一时期的水质参数。实验结果表明:水质参数的反演结果有了明显改善,p H值、DO、COD和NH₃-H含量的预测值与实测值的相对均方根误差分别为0.0674、0.2099、0.1241和0.2519。基于遥感图像通过LSTM反演得到的水质参数基本满足实际水质监测要求。研究成果为今后基于遥感图像的水质参数监测的研究提供了更为宽广的视角。