叶面积指数(LAI)是陆地生态系统的一个十分重要的结构参数，它和植物的蒸腾作用、太阳光的截取、光合作用以及地表净初级生产力等密切相关，LAI的变化能够整合影响植被生长和发育的不同过程，是一个在作物监测与估产方面广泛使用的一个关键参数。本文系统研究影响叶面积指数反演精度的影响因素及提高叶面积指数反演精度的方法，为提高这一重要的农学参数的提取精度、从而发挥这一参数的价值做一些前期研究。 在分析出反演叶面积指数的均方差误差表达式之后，针对影响叶面积指数提取精度的因素主要做了以下几方面的工作： 解决遥感反演‘病态’问题的思路之一就是在反演过程中适当地利用先验知识。通过从中国典型地物标准波谱数据库中提取先验知识进行叶面积指数的反演说明在反演过程中利用先验知识是非常必要的。 冠层反射率模型是联系植被冠层参数与遥感反射率数据的桥梁，是进行叶面积指数反演的基础，冠层反射率模型选择是否合适是决定叶面积指数能否准确反演的关键。在中国小麦玉米等作物常采用成行的种植方式，在生长初期这些作物冠层表现为成行结构，在生长中后期封垄后作物冠层表现为‘水平均匀’结构，针对作物不同生长期有不同结构的特点，本文分析了不同生长期应该选择不同的冠层反射率模型以进行叶面积指数的高精度反演，并对模型进行了详细的敏感性分析与抗噪声分析。最后，通过基于计算机真实结构模拟的反射率数据、地面实测的反射率数据、MODIS数据的反演结果，证明：当作物冠层表现为成行结构时，应该通过行播模型计算叶面积指数；当作物封垄后，冠层结构表现为水平均匀结构时，应该用SAIL模型进行叶面积指数的反演。 目前叶面积指数反演的情况是：一方面，反演过程中信息量缺乏，通常是‘病态’反演问题；另一方面，由于目前乃至以后对地观测卫星的日益处增多，出现越来越多的数据闲置，甚至成为数据‘垃圾’的情况。为了充分利用现有数据进行高精度的叶面积指数的反演，需要对遥感数据进行合理分析，分析不同遥感数据对于L,AI反演提供的信息是否一样，在反演中这些数据是否可以起同样的作用，对于不同目标的LAI反演，需要多少个角度和哪些角度才可以有效反演出冠层的LAI，相关的工作本文进行展开。本文提出的熵差分析法，是对遥感数据信息量进行分析的工具，对半球角度采样与MODIS角度采样两种方式的最优角度进行了分析，并且对基于最优角度与随机角度模拟的数据反演，说明了遥感数据的信息量与参数的反演精度是成正比的，遥感数据的信息含量越多，叶面积指数的反演精度就越高。最后针对MODIS数据的观测角度进行了模拟反演，结论说明LAI反演需要多角度数据集，但并不是角度越多越好。另外，本文提出对反演有意义的信息(角度或是波段)是非常有实用意义的。针对目前混合像元研究主要集中在如何进行混合像元分解的现状，本文分析了混合像元对地表参数反演的影响。混合像元对参数反演的影响主要体现在以下几个方面：一是影响像元的反射率数据，使得像元的反射率数据与其中任一种组分的反射率数据都不一样；二是影响像元的叶面积指数，纯像元的叶面积指数可以通过点上的叶面积指数测量获得，而混合像元真实的叶面积指数提取就不能通过点上叶面积指数的测量得到，像元真实叶面积指数的反演结果的验证是非常重要的。本文研究了由作物不同长势而形成的混合像元和由不同种类地物所形成的混合像元，结果表明，不同长势对叶面积指数反演影响不大，而不同地物种类对叶面积指数提取精度影响较大。