引起大气水汽含量（Water Vapor Content,WVC）变化的因素很多,由于缺乏观测信息,利用遥感数据反演大气水汽含量往往存在不适定性问题,导致传统算法的精度不稳定。为了克服这一问题,我们提出了一种新的耦合算法,通过利用人工智能技术耦合传统的物理和统计反演方法,从热红外遥感数据中稳定地反演大气水汽。新的物理-统计耦合算法首先通过对物理辐射传输方程的理论推导,确定大气水汽反演需要满足的条件,然后在物理方法的基础上构建泛化的统计方法。物理方法的代表性解和统计方法的代表性解作为人工智能的训练和测试数据,其中物理方法的代表性的解从物理正演模型模拟中获得,统计方法的代表性解从卫星遥感数据、同化数据以及地面站点等多源数据中获得,从而弥补物理模型不能模拟混合像元的缺陷,本研究选取深度学习模型中的全连接神经网络耦合物理和统计方法。此外,地表辐射影响着大气水汽的反演精度,为了提高模型反演的精度和可移植性,我们以地表温度（Land Surface Temperature,LST）和发射率（Land Surface Emissivity,LSE）作为先验知识将模型分为两组,一组是使用先验知识的模型,另一组是未使用先验知识的模型,对比分析先验知识在不同组合中的重要性。之后,利用MODIS数据进行验证分析,对满足算法条件的27、28、29、31和32波段组合以及相应的先验知识数据进行了理论反演与验证。最后,使用与MODIS波段设计相似的VIIRS传感器验证了算法的可移植性。分析表明基于先验知识的深度学习耦合物理与统计方法能够准确地反演大气水汽含量,这是对传统方法的重大改进,解决了深度学习反演大气水汽含量缺乏物理解释和通用性的问题,这在农业气象遥感关键参数反演史上具有里程碑意义。主要得出以下结论:（1）经过物理逻辑推理分析发现耦合模型一般需要4个及以上的热红外波段的亮度温度作为输入参数,但如果能够确保卫星的亮度温度信息主要来自于大气,也可以只用3个热红外波段来构建反演方程。（2）对先验知识进行灵敏度分析,数据表明先验知识的误差越大,大气水汽反演精度就越差。高精度的先验知识可以在一定程度上提高反演精度,使结果更稳定,并且可以减少算法所需输入参数的数量。（3）考虑到数据冗余和波段的质量,理论上最优的反演大气水汽平均绝对误差（Mean Absolute Error,MAE）可以达到0.05 g/cm~2,均方根误差（Root Mean Square Error,RMSE）为0.07g/cm~2。实际反演的最佳精度MAE为0.23 g/cm~2,RMSE为0.27g/cm~2,实际值与反演结果的误差集中在（-0.5 g/cm~2,0.5 g/cm~2）之间。（4）当波段组合中存在两个对大气水汽含量非常敏感的波段时,即输入参数和输出参数之间存在较强的相关性时,在不需要先验知识的情况下也可以实现高精度反演;如果卫星传感器没有对大气水汽含量非常敏感的热红外波段,则使用地表温度和发射率作为先验知识来反演大气水汽含量会更为合适。（5）利用新的反演方法,选取VIIRS红外波段进行波段组合反演,对比MODIS相应的波段组合结果,分析发现结果具有相似性,精度较高,说明基于先验知识的深度学习耦合算法具有可移植性。