水文、气象和农业等多个领域的研究及应用需要大量高精度、大区域的地表观测数据,包括地表温度、土壤水分、积雪、植被、表面粗糙度等。其中,土壤水分和地表粗糙度作为反映地表情况的重要的地表参数,在水文水资源、气象气候、农业研究等多个领域具有重要的适用作用。因此,获取高精度地表参数反演数据对于上述多个领域的研究和应用具有重大的意义。微波遥感技术由于对各种表面元素特征的敏感性而成为研究表面特征的重要监测方法。随着微波遥感技术的飞速发展,它已被广泛用于表面元素的监测和定量反演。粗糙面的电磁散射是一个复杂的过程,而双站雷达相比传统的后向散射雷达可以提供更丰富的散射的信息。双站雷达数据特有的极化方向性、散射幅度和相位特性以及其对地表参数的敏感性使其成为高空分辨率的地表参数监测最有效的方法之一。本文采用理论电磁散射模型AIEM模型和神经网络相结合的方法进行地表参数的反演研究,研究分为两个部分:一是以双站极化散射半球面图和参数与散射系数关系的二维曲线图,分析影响散射信号的雷达参数和地表参数的敏感性,寻找雷达散射系数与地表参数之间的线性或非线性关系;二是利用两种结构(传统结构和残差结构)的卷积神经网络对地表参数进行反演,以AIEM模型仿真的后向和双站极化散射特征数据为样本输入,构建基于卷积神经网络的地表参数反演模型框架。卷积神经网络的精度主要取决于训练样本和测试样本,经过反复训练,得到高精度地表参数反演模型。对于传统神经网络,双站散射数据反演精度明显比后向散射数据的精度高,经过6750次训练,双站全极化散射数据的精度达到最高水平。对于残差卷积神经网络也可以得到同样的结论。通过对比(后向同极化、双站同极化、双站全极化)三组数据的精度,可以得到以下结论:利用AIEM模型模拟的双站极化散射系数的精度比后向散射系数要高,而双站全极化数据反演精度比双站同极化数据反演精度要高。因此双站雷达相比于单站雷达在反演地表参数上有更好的性能。