地表温度作为水文、气象、农业等研究中的关键参数,是衡量地表能量平衡和温室效应的重要指标,是长波辐射和湍流热通量交换的直接驱动力。地表温度的准确估算对能量循环、气象气候预报、农业生产等方面具有推动作用。随着遥感技术的大力发展,越来越丰富的遥感数据被获取,使得精确估算全球范围的地表温度成为可能。利用光学遥感反演地表温度的算法较为成熟,其空间分辨率较高,反演的精度基本能够满足实际工作的需要。但是,光学遥感受大气和云的影响严重。在有云情况下,无法获得地表温度,这一缺陷严重限制了其实际应用。被动微波由于具有穿透云、不依赖太阳作为辐射源以及全天候和多极化的优势,为地表温度反演提供了另一种有效的途径。如何将光学遥感与微波遥感有机的结合起来,综合反演全天候地表温度是本研究需要开展的工作。基于当前地表温度反演研究的现状及相关理论基础,对地表温度反演算法进行了总结,并依托站点数据对反演精度进行了分析。针对以往研究中存在的缺陷,对地表温度的反演算法做了一系列研究如下:（1）算法评价。Holmes et al.利用36.5GHz的垂直极化通道亮温,以₍,36.5（1）=259.8K为阈值,对₍,36.5（1）>259.8K的亮度温度（亮温）利用线性回归方程解算地表温度。本文以美国大陆地区为研究区域,利用搭载在AQUA卫星上的AMSR-E传感器数据和MODIS地表温度产品以及SURFRAD观测网站点数据,实现算法并验证其精度。根据反演结果做了进一步分析,为改进微波温度反演算法提供良好的基础。（2）改进微波遥感地表温度反演算法。本文以AMSR-E数据、MODIS地表温度\发射率产品、NDVI产品以及站点数据为基础,利用AQUA卫星的过境时间（上午和下午1:30）为基准,将算法分为正午和凌晨两部分进行分别反演。在时间分段的基础上,根据有云和无云两种状态,分别提取相应的数据。以往的研究,仅以晴空状态下的数据作为算法的训练数据,其算法的代表性不足,其结果无法代替有云情况下的地表温度。继而,本研究考虑到地面站点数据有限,所以训练数据既包括有云情况下长时间序列的地面站点数据也包括晴空下的MODIS地表温度数据。同时引入NDVI数据,根据植被指数对地表进行植被覆盖分类,在一定程度上抑制季节变化导致地面状态的改变带来的误差,以得到高精度的物理统计反演算法。（3）温度融合。热红外遥感受云和大气吸收的影响比较大,从NASA提供的温度产品分析可知,大部分的温度产品,60%以上地区受到云的影响,这一缺陷对实际应用产生了非常大的局限性。本研究针对热红外遥感存在的缺陷,利用微波受云和大气的影响较小的优势,根据不同天气状态下的像元面积比例,对MODIS温度产品和AMSR-E反演得到的地表温度进行温度融合,弥补由于云的遮挡而造成的温度产品不连续,获取时空连续的地表温度产品。（4）全天候地表温度反演框架的验证。本研究将从以下三个角度对融合后的地表温度产品进行分析验证:有云情况下,利用站点观测数据直接对融合温度进行验证,由于空间尺度差异较大,尽量选取周围环境均一且地形平坦的站点;晴空条件下利用交叉验证方法,利用MODIS地表温度产品作为参考数据对算法精度进行评价;由于云的存在,而导致地表温度产品不连续,对融合前后的温度产品进行时空对比分析。通过验证分析,改进的地表温度微波算法在密集植被覆盖区域的精度较稀疏植被覆盖区域好,与以往的地表温度微波反演方法相比,精度有较大的提高。温度融合算法有将微波与光学遥感有机结合起来,克服了热红外遥感在云覆盖区域缺失数据这一缺点,优势互补,为多传感器数据的协同应用提供了参考。