本文选择了物理模型反演方法，采用了一个已有的经验-物理混合森林冠层反射率模型INFORM作为研究基础，以多源多角度森林LAI反演为目标，进行了系统的研究。具体的研究工作分为以下几个部分： 1)模型的实现、敏感性分析和验证。 首先，编程实现了INFORM森林冠层反射率模型，根据千烟洲地面测量数据和相关文献取值对模型进行了参数化，并确定了模型因子的变化范围。基于参数化的结果，本文分析了模型因子的敏感性，并且选取了6个敏感因子：树干密度、树冠直径、树冠LAI、林下叶片干物质含量、林下LAI和冠层叶片水分含量作为模型反演中除观测/太阳天顶角、方位角之外的所有变量。然后，分析了这6个因子以及观测/太阳天顶角对模拟反射率的影响。最后，使用千烟洲实验测量的森林冠层反射率光谱和生物物理参数(包括森林冠层LAI)对正向模型进行了验证。因为参数化及测量因素，验证结果并不像文献验证那样理想。 2)模型反演以及不同策略、方法之间的比较。 在模型分析和参数化的基础上，通过变化选取的6个敏感因子，模拟出大量冠层反射率数据，作为建模数据和验证数据。采用聚类分析+经验回归(神经网络、多元线性回归)的方法建立反演模型，并且比较了不同聚类方法与不同经验回归方法组合的效果。然后，使用相同数据将聚类分析+经验回归的反演策略与LUT、代价函数法以及神经网络法进行了对比。结果表明，使用聚类分析十神经网络的反演模型有最高的反演精度。 3)多源多角度数据反演和验证。 使用已有千烟洲多源影像数据(北京一号小卫星DMC数据和TM数据)的观测角度信息对INFORM进行参数化，模拟大量DMC和TM通道的反射率数据，并且，联合各影像通道的反射率模拟数据建立多角度反演模型。 使用模拟数据进行验证，结果表明：角度增加能够提高反演精度，特别是从一个角度增加到两个角度的情况。角度继续增加，对精度的提高逐渐减小。 处理DMC和TM真实数据，得到相互配准的共4幅影像。使用校正所得的影像的反射率数据，作为反演模型的输入，进行LAI反演，得到多源多角度数据的LAI反演图像。并且，使用地面测量LAI数据进行验证。 结果表明：该反演模型是可行的，并且，在训练数据加入噪声后，多角度模型的识别能力增强。但是，因为DMC图像数据的质量和定标问题，反演结果不理想，并且导致本文没能用真实数据的反演结果有效的分析多角度反演中角度增加对反演精度的影响。 4)不同尺度图像相互验证中的几何处理方法。 多角度数据联合反演以及反演数据的验证都存在不同尺度图像像元对应的问题。针对不同尺度像元对应的几何处理方法，以MODIS和TM为例进行了研究，得到了一种新的几何处理方法：用MODIS 1-B数据提供的几何信息，以及大气、几何校正后的TM数据，通过成像模拟的方法得到与MODIS图像(不经过几何校正)像元对应更准确的降尺度TM图像。 应用聚类分析+神经网络的反演模型以及本文提出的成像模拟的方法，对MODIS数据进行了反演，并且用TM数据进行了验证。