地表温度（land surface temperature,LST）是地表能量通量的一个重要物理参数。地表温度数据是众多环境研究的基础数据。然而,现有地表温度产品的空间分辨率较低,导致热混合效应,限制了地表温度数据的应用。以往的研究表明,地表温度空间降尺度是解决这一问题的一种行之有效的方法。因此,开展地表温度空间降尺度研究具有重要的理论意义和应用价值。论文针对现有的地表温度空间降尺度方法并未同时考虑地表温度及其影响因子（比如土地覆盖类型、土壤湿度和地形等）之间的非线性和空间非平稳性特征而导致降尺度结果存在较大的不确定性这一问题,探讨基于多因子地理加权机器学习（multi-factor geographically weighted machine learning,MFGWML）算法的地表温度空间降尺度方法。论文以北京市为研究区,对MFGWML模型方法及其对高分影像的适用性和应用进行研究,主要研究内容和结论如下:（1）提出了一种客观的模型最优特征组合选取方法。该方法通过分析特征与地表温度的相关性以及特征间的相关性,对多维特征变量进行初步筛选,并结合各个基模型提供的变量重要性结果来确定各个基模型的最优特征组合。研究结果表明,该特征选择方法可以有效减少输入模型的变量个数,从而降低了模型复杂度,减少了模型的运行时间及内存消耗,同时避免了模型过拟合。（2）构建了一种基于多因子地理加权机器学习算法的地表温度空间降尺度模型。以Landsat 8影像和Sentinel-2A影像作为试验数据,以获取具有较高空间分辨率（10 m）的地表温度数据。研究结果表明:在六种降尺度精度验证方案中,与常用的经典单因子算法即热图像锐化算法（the thermal image sharpening,Ts HARP）相比,MFGWML模型的RMSE值降低约55.452%～58.949%;与经典双因子模型即高分辨率城区热锐化算法（the high-resolution urban thermal sharpener,HUTS）相比,MFGWML模型的RMSE值降低约43.782%～50.389%。论文所提出的多因子地理加权机器学习模型（MFGWML）结合了多元回归模型、机器学习模型和地理加权模型的优点,能够更准确地识别地表温度的局部空间异质性,生成更高精度、更可靠和更稳健的地表温度空间降尺度结果。（3）开展了MFGWML模型对高分影像的适用性研究。以国产高分卫星影像（包括GF-1 WFV2影像、GF-6 PMS影像和GF-2 PMS影像）作为测试数据,评估了MFGWML地表温度空间降尺度模型对高分影像的适用性。研究结果表明:在GF-1 WFV2影像的地表温度空间降尺度实验中,与多因子地理加权回归模型（multi-factor geographically weighted regression,MFGWR）模型和Ts HARP模型结果相比,MFGWML模型的RMSE值分别降低了12.889%和74.211%。在GF-6 PMS影像的地表温度空间降尺度实验中,与MFGWR模型和Ts HARP模型结果相比,MFGWML模型的RMSE值分别降低了46.571%和66.123%。在GF-2 PMS影像的地表温度空间降尺度实验中,与MFGWR模型和Ts HARP模型结果相比,MFGWML模型的RMSE值分别降低了3.768%和26.386%。此外,GF-1 WFV2影像、GF-6 PMS影像和GF-2 PMS影像的MFGWML模型降尺度结果均具有较高的精度,其RMSE值分别为0.980 K、0.561 K和0.664 K,表明MFGWML模型对高分影像具有较好的适用性。（4）开展了空间降尺度地表温度数据的应用研究。首先,提出一种集成随机森林和支持向量机算法的面向对象分类方法,实现了基于Sentinel-2A影像的土地利用高精度分类;其次,在基于Sentinel-2A影像的地表温度空间降尺度结果（即10 m LST数据）的支持下,结合遥感生态指数定量分析了不同土地利用类型对北京市城市生态环境质量的影响。研究结果表明,城市生态环境质量与植被占比呈明显的正相关关系,而与不透水面占比呈明显的负相关关系。因此,提高植被覆盖度或减少不透水面有助于改善城市生态环境质量。此外,论文对比分析了空间降尺度前后地表温度数据在城市生态环境质量和城市热岛效应评价中的影响,研究结果表明基于空间降尺度10 m LST的RSEI影像和地表热场信息比基于重采样的10 m LST的RSEI影像和地表热场信息更为精细,说明空间降尺度地表温度具有明显的优势。