巢湖是我国五大淡水湖之一,近年来其水质污染及水体富营养化程度日益严重。内陆湖泊区域水环境中的叶绿素a是反映生态环境污染状况的重要指标之一,定量反演叶绿素a浓度有助于及时监测湖泊水体富营养化的变化。因遥感技术具有成像范围大、成像速度快及经济成本低等优点,所以其在水色反演领域的应用日益突出。水色遥感技术是通过分析遥感反射率与水色要素的关系,从而计算研究区水色参数浓度的重要手段。当前大多数水色遥感研究方法是通过内插的数学角度进行分析研究,即使用当期实测采样数据构建当期水色反演模型。此方法易造成该模型只适应于采样区域及采样当天、当季的情况,存在无法突破时间及空间的局限等问题,并且从外推角度开展的研究工作也较少,其可靠性亦未可知。针对以上问题,本文探究了深度学习方法在巢湖水体叶绿素a浓度遥感反演的可行性,探究了模型应用于其它时空范围时的性能及适应能力。主要内容与结论如下:（1）在对叶绿素a浓度进行敏感波段优选的基础上,采取多种方法构建模型,通过对比模型精度、均方根误差、稳定性及鲁棒性进行模型优选,优选出基于深度神经网络（DNN）方法构建的模型反演精度较高（R2=0.95,RMSE=24.4μg/L）,且具有较好的稳定性及鲁棒性。（2）分析巢湖叶绿素a浓度遥感反演模型性能得知,在训练集不同时,各模型基本保持不错的精度;当DNN模型训练样本较少时,模型仍具有不错的精度,并根据其敏感训练样本个数,将训练集按组等分,发现模型呈现较好的稳定性;当建模样本点分布为均匀随机分布时,模型精度高于样点集中分布所构建的模型。通过对模型跨季跨年的适应性评价中,发现向巢湖冬季叶绿素a模型中加入夏季样本及向巢湖2018、2019年（2020年）叶绿素a模型中加入2020年（2018、2019年）叶绿素a样本时,导致模型精度提升的敏感样本点个数;在针对采用巢湖夏季叶绿素a样本进行模型的构建时,模型的适应能力较差。根据上述结论,可通过自身所需模型精度情况,在开展实地叶绿素a采样工作任务时,对实地采样的数量进行适度把控。（3）从反演结果上看,通过对比巢湖三年间叶绿素a浓度时空分析结果发现,研究区叶绿素a浓度在时间上,呈现夏季秋季较高,春季冬季较低的规律;在空间上,呈现湖区西高东低,局部近岸区较高,南淝河下游常年处于150-300（μg/L）的特点。