定量遥感发展的瓶颈在于,遥感反演问题本质上是"病态"的.MARS(Muti-angular remotesensing,多角度遥感)数据的出现,给"病态"遥感反演问题的解决带来了新的希望.但是,太阳入射角度变化范围较小的情况在星载多角度遥感数据集中普遍存在,MARS观测的方向采样仍然有限,因此,多角度遥感反演仍然存在信息量不足的问题.为了充分利用遥感数据包含的有限信息,最大限度地减小待反演参数的不确定性,并定量衡量反演结果,有必要深入理解信息是如何通过模型反演从遥感数据流向待反演参数的,并定量地描述反演过程中信息的这种变化,使观测数据包含的有用信息最大限度地流向待反演参数,减小该参数地不确定性,使MARS数据包含的信息得到最充分的利用.为此目的,该文以线性核驱动BRDF(Bi-directional reflectance distribution function,二向性反射)模型为例,首先研究给定模型、先验知识和反演目标,MARS数据信息的定义,并比较了衡量这种信息的四种方法,即Fisher统计量,Fisher信息矩阵行列式或对角线元素之和,以及香农信息熵.得出相对其他三种方法来说,香农信息熵是一种比较好的衡量遥感数据信息的方法.接下来,该文研究用香农信息熵减衡量单一、MARS数据信息的方法,并以线性核驱动BRDF模型为例,在反演问题为"病态"的情况下,计算数据的信息量及不同反演方法的情况下数据集提供实际用于反演的信息量.模拟、实例计算和分析的结果说明,Tikhonov正则化反演方法能够比较充分的利用数据包含的有限信息.在此过程中,还探讨了其他几种确定正则化参数的方法.考虑到信息熵的结果直接受到变量协方差矩阵的影响,我们最后的计算处理部分引入了由MVE算法得到的协方差矩阵,并将计算结果进行比较.