水深数据对近岸海域活动,如军事应用（军舰航行、船只部署及海上作战）、民生（河海工程、航行安全）等方面有相当大的辅助价值。光学卫星在数百公里的高空对地表进行成像拍摄,涵盖范围广。因此,相较于传统测深方式,卫星反演水深提供了一个更为便捷、全面的手段。目前卫星水深遥感反演模型,多基于底质均一的假设前提,而真实海底底质类型分布复杂多变,这就要求对其进行细致地分类,以便评估其对水深反演精度的影响。因此本文首先通过海底底质光谱实验,分析不同底质的光谱特征,然后以南安达曼群岛、波照间岛及久米岛三个典型浅水海岛作为研究区域,结合水深数据、卫星影像与实测光谱数据,构建得到性能最佳的水深反演模型。最后将底质分类结果与水深反演模型相结合,构建了基于底质分类的随机森林模型,并对目标区域进行了示范性应用,获取了研究区域的水下地形信息。主要研究结果如下:（1）首先进行了底质模拟实验,收集了反射率数据进行分析,对五种不同底质类型（砂质、珊瑚、水草、淤泥、砾石）的反射率光谱进行了一至四阶微分处理。发现在700nm和588 nm处的一阶导数、431 nm处的二阶导数、672 nm与670 nm处的四阶导数存在较大差异。同时基于光谱响应函数,将测量获得的光谱映射到卫星相应波段上,得到基于卫星波段的实测光谱,为本研究后续的底质分类工作提供参考。（2）基于处理后的卫星影像和水深数据,提取样本点,分别构建了统计回归模型及机器学习模型反演水深。对比训练精度、验证精度及残差,发现机器学习中的随机森林模型效果最佳,决定系数（coefficient of determination,R~2）可以达到0.85,平均绝对误差（mean absolute error,MAE）为1.17 m,均方根误差（root-mean-square error,RMSE）为1.92 m。同时又利用随机森林模型针对不同研究子区域,单独构建水深反演模型,与整体联合水深反演模型对比,发现整体联合水深反演模型精度较高,证明对整体研究区域进行联合建模的策略一定程度上提高了建模效率与精度。（3）随后在典型底质分类研究中,结合目视解译,对比了7种监督分类方法得到的底质分类结果,发现支持向量机分类方法的精度最高、表现最为稳健,三个区域的总体分类精度（Overall Accuracy,OA）均在90%以上,Kappa系数均达到0.90。再结合底质分类方法与随机森林模型,构建了基于底质分类下的浅海水深反演模型。对比验证结果表明,其精度优于未分类的情况,R~2可以达到0.87,MAE为1.06 m,RMSE为1.77m。最后,将该模型应用到卫星影像上,进行示范性应用,得到目标区域的浅海水深空间分布特征。