地面温度和土壤水分是反映土壤-植被-大气系统能量流动与物质交换以及土地资源和环境管理的重要参数，也是地球表面能量平衡和温室效应的两个重要指标，是区域和全球尺度地表物理过程的一个关键因子。因此，地面温度和土壤水分在气候、水文、生态学和生地化学等许多领域中是非常重要的。但是依靠地面观测站的观测来大面积地获取地表温度和土壤水分参数是不现实的。然而借助于热红外遥感、微波遥感影像，可以方便快捷地获得大面积，甚至全球的地温资料，且数据更新快，成本低廉。 在简要介绍有关热红外、微波遥感发展和概念的基础上，分析和探讨常用的地表温度和土壤水分的反演方法，并对反演精度的影响因素进行了分析。针对ASTER、MODIS、AMSR-E传感器的波段设置特点和传统反演算法中参数求取的局限性。我们对地表温度和土壤水分的反演算法做了一些研究，本文具体内容如下： (1) 热红外波段的大气透过率是地表温度反演的基本参数。本项研究分析近红外波段估计大气水汽含量的方法，并进一步研究大气水汽含量与热红外波段的大气透过率关系，计算得到MODIS/ASTER热红外波段的透过率。 (2) 现有的地表温度反演方法主要有劈窗算法和单窗算法。这些算法都是针对具体的传感器和特定的参数条件开发的。本项研究在分析这些算法的推导过程的基础上，对Planck函数进行线性简化，提出了适合于ASTER和MODIS热红外波段的地表温度反演方法。其中最关键的是，我们对这些算法的参数进行了重新确定，使之适合于ASTER和MODIS数据，从而形成了从ASTER和MODIS数据中反演地表温度的劈窗算法。 (3) 在以往的单窗和劈窗算法中，通常假定发射率已知，这使得地表温度的反演精度在先验知识不够的地区受到限制。由于发射率在8.475～11.65μm范围内发射率变化很小，而且在局部范围内近似线性，因此本文针对这情况。对ASTER的第11、12、13和14波段，MODIS 29、3l、32建立辐射方程组，同时对相应的发射率建立线性方程组。联立方程从而形成针对ASTER/MODIS数据的地表温度和发射率同时反演的多波段算法。为了提高反演精度，我们用神经网络对反演算法进行了优化计算。利用MODTRAN4模拟数据精度分析评价表明精度很高，与NASA的标准产品和地表实测数据比较分析表明算法精度也很高。 (4) 在分析Aqua卫星多传感器特征的基础上，利用MODIS的温度产品和AMSR-E不同通道之间的亮度温度建立反演地表温度的反演方程，从而克服了以往需要测量同步数据的困难。通过各通道的回归系数分析表明，不同的地表覆盖类型的辐射机制是不同的。要精确地反演地表温度，至少对地表分成三种覆盖类型，即雪覆盖的地表、非雪覆盖的地表和水覆盖的地表。以MODIS地表温度产品作为评价标准，对于验证的样本数据，本文建立的统计方法的平均精度在2-3℃左右。由于地面非常的复杂，由理论模型模拟的数据不可能非常好的描述反演方程。为了提高算法的实用性，还需要进一步对云覆盖和不同辐射机制的地表类型的混合像元进行研究。神经网络不需要推导具体的反演规则，这些条件决定了神经网络是被动微波地表温度反演的最佳选择之一。分析结果表明神经网络能够被很好地用来从被动微波数据AMSR-E中反演地表温度。 (5) 用AIEM模型针对被动微波数据AMSR-E进行了模拟分析结果表明：在给定粗糙度条件下，土壤水分和发射率存在很好的线性关系；在不同的土壤水分条件下，均方根高度和相关长度对发射率的影响基本相同。我们定义了极化指数，模拟数据表明，18.7GHZ与10.7GHZ的垂直极化指数与土壤水分有很好的关系，而且部分地消除了土壤粗糙度的影响，R-Square大约0.98。同时，我们推导了标准化微波指数近似等于标准化亮温指数。分析表明通过标准化发射率指数和标准化微波指数建立土壤水分反演算法是可行的。同时我们对算法进行了敏感性分析，分析表明当有降雨时，算法比较敏感。用SMEX02的实验数据验证分析表明，相对于实验数据，算法精度大约是25.9％。算法低估了土壤水分，而且算法受植被的影响比较大。因此要提高算法的适用性，需要根据当地的实测数据对反演结果做进一步修正。对SMEX02实验场，修正后的精度为6.5％。 最后，我们对中国地区的两景AMSR-E进行了实际反演分析，结果表明反演结果符合实际土壤水分分布情况，表明算法可行。