定量遥感的本质在于反演,而反演问题通常却是病态的.一方面,地球表面的多变性导致反演模型复杂,求解困难,另一方面,目前遥感获取技术的限制,遥感反演中的信息量远远不足.因此,解决病态反演问题的关键在于引入新的知识源-先验知识,增加反演所要求的信息量,保证反演结果的稳定和可靠.基于先验知识的定量遥感反演的框架只是一个新的理论的雏形,其完善完美还有许多工作要做.简而言之,有这样三类问题需要解决:信息的表达与度量,不均衡分布信息的分析与利用,反演过程的信息变迁.在这该论文里,我们用两个反演模型:大气及地表参数反演模型和线性核驱动BRDF模型为例,分析讨论了上述三大块问题中一些细节问题的处理方法与技巧.在大气地表参数反演模型中,我们提出了三种改进的反演算法来针对性的提高关注参数的反演精度.其一,EOF(经验正交函数)选择方案中,我们通过对大气廓线结构的分析,提出针对关注参数来选择EOF的方法,其目的是让信息流向目标参数,增加目标参数的反演精度;针对EOF选择引起的额外误差,在实验中我们提出了两步反演方法,第一步保证反演的整体精度,选择全局最优的EOF,第二步再针对目标参数选择适当EOF进行反演.其二,USM(不确定性和敏感性矩阵)是一个有效地记录反演参数集和观测数据集中不确定性和敏感性的数学工具.我们提了基于USM的观测数据加权方法,把USM引入到权重向量的构造中,试图按照参数与观测数据间的不确定性和敏感性来重新分布反演参数间的信息.其三,引入基于U向量的两步反演算法,我们认为一次反演结果和先验均值的差值能够部分地反映在此次反演过程中参数的不确定性的变化.我们基于此差值来构造U向量.在反演的第二步中,使用U向量来修正参数的先验方差,则参数和数据间的信息会按最近一次反演结果的不确定性重新分布,获得最为有效的信息利用.在线性核驱动模型中,我们试着用EM算法和t分布来获得更精确的更稳健的反演算法.在遥感反演中,为了简化计算,总是假定观测数据的误差分布是一个正态分布.但是,在这样的假定下,少数大误差的观测数据点就会引起反演的不稳定.而t分布比传统的正态分布有更好的稳健性.该文选择t误差的线性核驱动模型来验证我们的想法并给出了一些实验结果.反演算法包括最大似然估计和基于先验知识的最大后验估计(Bayes反演).针对单个像元反演试验表明,当部分数据出现大的误差,t分布模型的反演结果比最小二乘方法结果更加稳定.在图像反照率的反演实验中,我们可以清楚地看到t分布模型的反演结果能够有效地避免几何边缘和物理边缘上观测误差的影响,获得更为可靠的反照率反演结果.