本文以太湖为研究区,选取GOCI数据(500m)与其同步的MODIS L1B(250m)数据以及HJ-1A/1B数据(30m)三种不同空间尺度的遥感影像数据,分析不同传感器获取水华面积信息的空间尺度差异,以及其产生的原因；然后在此基础上建立了适用于内陆水体的水华面积尺度向下转换模型；最后利用尺度向下转换模型计算得到的水华丰度(像元内水华面积比例)数据,构建相应的亚像元定位技术,以获取GOCI影像亚像元级的水华提取结果,最终建立GOCI影像水华亚像元识别技术。得出以下主要结论：(1)不同空间分辨率影像水华提取空间尺度差异对比三种传感器提取结果,HJ-1A/1B比其他两种传感器更加具有空间细节特征,三种传感器的提取差异主要发生在水华与非水华水体的交界处；尺度效应的影响随着尺度从250m到500m的增加增大。由NDVI计算方式的非线性引起的误差可以忽略不计。通过对提取结果Kappa系数与γ(8)之间的相关关系可以说明：空间异质性是不同尺度遥感影像间水华提取差异的最大的影响因子,即水华的丰度以及水华斑块的破碎度共同影响着空间尺度差异,这种影响的关系可以用线性的关系较好地描述。(2)不同空间分辨率影像水华提取结果尺度转换本研究利用了回归模型和移动窗口线性光谱混合模型实现不同空间分辨率影像水华提取结果的尺度转换。通过对两种方法在GOCI、MODIS影像中的应用对比发现,移动窗口线性光谱混合模型整体上使得转换后的水华面积更接近于HJ-1A/1B, MODIS与GOCI以HJ-1A/1B为参照误差分别降低29.9%、18.36%；回归模型方法分别为24.7%、13.6%。由于移动窗口线性光谱混合模型不需要高空间分辨率影像的支持,实际应用上更加方便。(3)蓝藻水华遥感监测的亚像元定位对用于亚像元定位的原始元胞自动机进行了包括初始化、CA(Cellular Automata)过程以及终止条件3个方面的改进。对测试图像进行精度验证,发现亚像元定位结果精度平均提升了3.7%,整体上的精度提升并不明显。然而ISPCA(Improved Sub-pixel Cellular Automata)真正的优势在于,达到同样的精度所需要的迭代次数和运行时间远低于SPCA(Sub-pixel Cellular Automata):迭代次数上ISPCA均在5次以内,而SPCA随着尺度因子S的增加急剧增加,因此ISPCA平均运行时间只需要SPCA的25.8%。同时,由于ISPCA具有明确的终止条件；而SPCA在实际应用中真实验证结果并不存在,很难判断其平稳状况,因而ISPCA具有更高的实际应用价值。运用ISPCA对得到的尺度向下转换水华丰度数据进行亚像元定位以得到具有空间位置信息的亚像元级水华识别结果,ISPCA模拟的结果与GOCI影像仅用NDVI指数提取的水华结果相比：空间细节丰富程度大大增强,在100m空间分辨率的模拟结果上得到了最佳精度,Kappa系数为0.8054,更加接近于分辨率更高的MODIS以及HJ-1A/1B影像结果。