遥感技术是准确获取各项水质参数并进行大尺度动态模拟与分析的有效手段之一。盐度作为海洋的一个重要的物理和化学参数,研究其分布和变化规律对了解海洋自身特性以及海洋在海-气这一复杂系统中的作用有着重要意义。本文详细阐述了海面盐度反演的机理与方法,建立了基于机器学习的海面盐度遥感反演模型,并对海面盐度进行了大尺度的动态模拟。本文选取典型的河口-近岸海域香港海域为研究区,以2014年1月到2014年12月的Landsat-8香港海域的卫星影像数据和2000-2014年香港海域各水质参数的现场数据集为基础,深入的探讨并分析了海面盐度敏感参数,建立了基于深度学习、核岭回归和支持向量回归的海面盐度反演模型,主要的研究工作及结论如下:(1)利用2000-2014年14年来的香港海域水质参数的实测数据分析了叶绿素a、悬浮固体、总氮、总磷和温度与海面盐度之间的Pearson相关性,选择相关性高的总氮、总磷和温度作为间接反演盐度的敏感因子。(2)建立了适用于香港海域的各海盐敏感水质参数的高精度反演模型,对于总氮,基于敏感波段组合B1-B3的指数模型精度最高,2R?0.948,对于总磷,基于B1-B3波段组合三次回归拟合精度最高,2R?0.945,同时,利用热辐射传输方程建立海表温度反演模型。(3)根据研究内容的针对性和研究数据的特性,分别建立基于深度学习(DNN)、核岭回归(KRR)和支持向量回归(SVR)的海面盐度反演模型,通过对不同模型算法的优化和训练,盐度的反演模型达到了可观的精度。通过对模型的测试可知,DNN盐度模型达到了好的反演效果,R?0.845,MSE?2.38,MAE?1.126;基于RBF核函数,??0.1,??0.464,KRR模型的精度最高,其中,R?0.851,MSE?2.93,MAE?1.135;基于RBF核函数,C?215,??0.017,SVR模型的预测结果最佳,模型的精度为R?0.840,MSE?3.043,MAE?1.126。通过对不同机器学习算法的研究和分析发现,通过输入敏感因子建立海面盐度反演模型是可行的,模型都取得了令人满意的结果并且结果可靠。不论是基于深层神经网络的DNN模型、还是KRR和SVR等基于核函数的统计机器学习算法,除了时间效率上有明显不同以外,对盐度的反演都取得了很高的精度。