准确估算地表参数是卫星遥感数据定量应用的关键。目前，对同一地表参数的卫星数据产品而言，不同传感器所在研究组采用不同的算法独立生成，但由于每个传感器能够提供的信息有限，其各自得产品精度、完整性和连续性有待提高。实际上这些传感器能够提供的信息具有很大的互补性，比如多光谱传感器MODIS有36个通道进行对地观测，而多角度传感器MISR则实现了对地的多角度观测，另外ASTER具有高空间分辨率对地观测的特点。因此融合不同传感器数据成为提高地表参数精度的有效手段。本文以叶面积指数(LAI)为例，对融合不同传感器遥感数据反演地表参数的方法进行了多方面的探索，并对大尺度遥感数据产品的验证方法进行了研究。 主要在以下几个方面对融合多源遥感数据进行LAI反演的方法进行了改进： 1)MODIS和MISR在数据空间内形成了很好的互补多角度观测，因此可以更好地提供植被三维结构信息。利用物理模型反演的方法分别进行了单传感器LAI反演和融合两种传感器观测数据的联合反演。结果表明，融合两种传感器观测数据之后的反演结果不仅使LAI在空间分布上更为完整，而且采用两种传感器数据覆盖公共区域的反演结果也显示与“真值”更为接近。通过引入前向模型的伴随方程，并采用高效、全局收敛的优化算法进行了叶面积指数反演方法的改进，提高了模型反演的速度，这对于生成海量遥感数据产品比较重要的。 2)根据不同地表类别和不同观测几何构造了多神经网络，改进了利用神经网络进行LAI反演的方法，并在生成训练数据集的过程中，融入了VEGETATION的LAI产品的知识来保证训练数据集的质量。对中国的两个典型区域(北京顺义和吉林敦化)进行了验证，结果表明，反演所得的LAI数据质量相比MODIS本身的LAI产品有很大的提高。 3) 为满足遥感应用对高分辨率时间序列LAI的需要，发展了可以融合具有高时间分辨率的MODIS LAI产品和具有高空间分辨率的ASTER数据的算法，并得到了试验区的高时空分辨率LAI数据。 论文最后对遥感数据产品的验证方法进行了系统论述，针对大尺度遥感数据产品的验证提出了基于中间尺度的降尺度验证方法，和同一分辨率的数据产品之间的相互验证方法，并对MODIS的反照率产品、LAI产品以及VEGETATION的LAI产品进行了验证分析，为这些数据的应用提供了参考。