作为积雪的重要参数之一，积雪深度信息是反映地表积雪量变化的重要因子，是地表水文模型和气候模式中的一个重要参数，对于全球变化研究和雪水资源的评估有重要意义。遥感是估算大尺度积雪时空变化的唯一有效的方法。由于被动微波遥感具有穿透性强、全天候观测和时间精度高的特点，利用被动微波遥感反演积雪深度一直是积雪遥感领域中的研究热点。　　 在现有的被动微波遥感积雪深度反演算法中，NASA算法因其简洁、易于扩展的特点，成为应用最为广泛的算法。研究者围绕NASA算法展开了大量的研究，提出了多种不同的改进方案。但NASA算法仍然存在着一定的不足:首先，NASA算法基于线性拟合得出，在应用到其他研究区域时需要对反演公式进行重新拟合，适用范围受到一定的限制;其次，由于算法中引入的19GHz与37GHz的亮温差在雪深达到一定范围时会达到饱和，因此在积雪深度较大的情况时，算法会低估积雪深度。　　 蚁群算法是人工模拟蚊群搜索食物源的过程而形成的模拟进化算法，基于群集智能，主要应用于离散系统的优化问题。蚁群算法作为一种群集智能算法，采用概率模拟的方法进行运算，虽然本身没有严密的系统数学理论，但更能模拟复杂的真实情况，在解决遥感数据本身的复杂性问题方面有独到的优势。　　 本文针对现有反演算法的不足之处，结合蚁群智能算法的特点，发展了基于蚁群算法的积雪深度反演算法;此外，针对NASA算法中当雪深较大时存在的雪深低估问题，引入了AMSR-E10.7GHz亮温数据，对算法进行了改进。并利用MEMLS模型的模拟数据与AMSR-E辐射亮温数据对雪深反演算法进行实验，采用美国国家冰雪中心提供的CLPX实验的积雪深度实测数据与AMSR-E雪水当量产品对算法的反演精度进行了评价，结果表明，两种积雪深度反演算法均是可行的，反演精度与现有产品相比有较为明显的改进。