参数反演在科学与工程应用中引起众多关注,现已成为一个重要的研究方向。参数反演本质上是借助现有观测资料采用适当方法以达到减小物理系统输入参数不确定性的目的。然而,参数反演的不适定本质往往一定程度上增加了研究的困难,限制了对它的进一步研究。本论文将在混沌多项式集合卡尔曼滤波(Polynomial Chaos-Ensemble Kalman Filter,PC-EnKF)同化方法框架内,针对初始条件的反演,引入离散经验插值方法(Discrete Empirical Interpolation Method,DEIM),提出一个初始条件重构的新思路。具体过程包括:空间插值点的确定,利用最优观测实施插值点上初始值的反演,最后是全空间初始条件的重构。该方法不仅推广了DEIM在反问题求解中的应用,而且对丰富现有的集合卡尔曼滤波同化理论有一定的促进作用。本研究以重构Navier-Stokes方程的初始流场为例,数值例证了该方法的有效性。试验结果表明,基于DEIM的PC-EnKF插值资料同化方法是可行且有效的,能够对NavierStokes方程的初始流场进行较好的重构。相较初始场的最初猜测,其不确定性有一个相当减小。利用重构初始场作为数值预报模式的输入能达到和参考初始场几乎同样的预报效果。