文章主要根据机器学习算法（随机森林算法和极端梯度提升算法）和遥感水深反演的原理，利用Sentinel＿2多光谱卫星数据和无人船实测水深数据，对内陆水体——梅州水库建立了随机森林、极端梯度提升、支持向量机水深反演模型，并对反演结果进行对比分析。结果表明：1）随机森林的训练精度为97%，测试精度为0.80；XGBoost模型的训练精度为97%，测试精度为0.79；支持向量机的训练精度为90%，测试精度为0.78。说明了在水深预测方面RF模型和XGBoost模型比SVM模型表现更好，对各个区段的水深值较为敏感。2）根据运行时间考察各个模型的效率，其中随机森林从读取数据至输出结果耗时3.92 s；极端梯度提升模型4.26 s；支持向量机模型6.66 s。因此，在反演精度和效率上随机森林模型优于极端梯度提升模型优于支持向量机模型。且随机森林模型的预测结果图细节更加丰富，轮廓更加分明；极端梯度提升模型次之，但总体效果也较好；支持向量机模型表现最差。由此可知，机器学习水深反演模型获得的水深结果精度明显提高，解决了传统水深反演模型精度不高的问题。