叶绿素a是水体重要的水质参数之一,其浓度是表征水体富营养化程度的主要指标。本文以太湖西部及其重点污染入湖河流水体为研究对象,利用野外实测数据结合RapidEye及ALOS高分卫星数据,首先分析了水体的表观光学特性和固有光学特性,进而构建了针对实测高光谱数据、RapidEye高分卫星数据及ALOS高分卫星数据的多种叶绿素a浓度遥感反演模型,并对不同模型的精度、稳定性和适用性进行了评价,在此基础上,根据不同高分卫星数据的预处理结果,遴选出了适用于不同高分卫星数据的叶绿素a浓度最优反演模型,继而反演得到太湖西部及其重点污染入湖河流水体叶绿素a浓度分布图,并对叶绿素a浓度的时空变化及其成因进行了分析,主要得到以下结论：(1)叶绿素a浓度遥感反演模型针对实测高光谱数据,单波段模型、一阶微分模型、波段比值模型、三波段模型及四波段模型均能够对太湖西部及其重点污染入湖河流水体叶绿素a浓度进行有效反演,相比之下,以Rrs(727)/Rrs(678)为自变量的波段比值模型、三波段模型及四波段模型具有更高的精度和稳定性。针对模拟RapidEye高分卫星数据,单波段模型中的线性函数模型精度和稳定性相对较差,而单波段模型中的二次函数模型、多波段组合模型及三波段模型均具有较高的精度和稳定性,能够对太湖西部及其重点污染入湖河流水体叶绿素a浓度进行有效反演,相比之下,三波段模型中的二次函数模型具有最高的精度和稳定性,其模型的R2为0.97,平均相对误差为12.53%,均方根误差为4.44μg/L。针对模拟ALOS高分卫星数据,单波段模型和多波段组合模型中线性函数模型精度和稳定性相对较差,而二次函数模型均能够对太湖西部及其重点污染入湖河流水体叶绿素a浓度进行有效反演,相比之下,以多波段组合(B1+B3)/(B1+B2+B4)为自变量的二次函数模型具有最高的精度和稳定性,其模型的R2为0.95,平均相对误差为14.27%,均方根误差为5.20μg/L。(2)叶绿素a浓度时空变化从时间上来看,太湖西部及其重点污染入湖河流水体叶绿素a浓度在不同季节的变化趋势为：夏季>秋季>冬季>春季。夏季温度较高,适于藻类生长,水体叶绿素a浓度达到全年的最大值,并且出现了大面积的蓝藻水华区；秋季随温度下降,水体叶绿素a浓度降低,但仍存在部分蓝藻水华区；冬季和春季水体温度不适于藻类生长,基本上不存在蓝藻水华区,但春季水体经寒冬之后,藻类大量死亡,致使其水体中叶绿素a浓度要小于冬季水体,为全年最小值。从空间上来看,太湖西部重点污染入湖河流水体中叶绿素a浓度明显高于其周围湖泊水体,尤其以冬季和春季最为明显,而河流水体中叶绿素a浓度一年中的变动范围则明显小于其周围湖泊水体。距入湖口较近的河段水体叶绿素a浓度明显低于河流中部水体,而河流两岸水体叶绿素a浓度则高于河流中部水体,其变化趋势大致为：河岸水体>河流中部水体>入湖口河段水体。