随着湖泊污染和富营养化问题的日趋严重，湖泊的水质监测和治理也亟待加强。常规水质监测方法耗时耗力，并且难以反映湖泊的整体水质状况，而遥感技术可以快速、及时的提供整个湖泊的水质状况，具有监测范围广、成本低和便于长期动态监测的优势，存在巨大的应用潜力。遥感技术在湖泊水质监测中的应用也是定量遥感研究的重要内容之一。　　 定量遥感技术在湖泊水质监测中的应用，反演方法是其技术关键。本文在归纳总结国内外水质遥感的研究进展基础上，选取了四种常见水质反演方法，并以太湖为实验区，应用MODIS遥感影像构建出太湖水质参数的多种反演模型，最后比较分析了各反演模型的优缺点。本研究中模型构建基本过程包括数据预处理(几何校正、辐射定标、大气校正等)，相关性分析，以及模型的建立、验证和反演。　　 预处理过程中，首先利用遥感处理软件和地面控制点的方法完成对MODIS遥感数据的几何校正；根据MODIS的头文件数据，对遥感数据进行辐射定标；最后，选用相对成熟的6S模式对MODIS数据进行大气校正，校正效果明显，能够较好地反映水体的真实光谱特征。　　 水质参数实测值与波段数据的相关性分析表明，悬浮物浓度与可见光波段普遍有很好的相关性，而叶绿素a浓度只在绿光到近红外波段有较弱的相关性。　　 本研究分别利用目视解译、遥感指数、主成分分析和神经网络方法四种方法建立相应的水质参数反演模型。在没有漂浮于湖面的藻华时，利用第1、2、7波段假彩色合成的目视解译结果难以直观表现水中藻类分布；借鉴植被遥感指数DVI、RVI、NDVI的形式，建立水质参数的统计回归反演模型，其中DVI指数的精度最高，对高浓度水域表现较好，而NDVI指数适合反演浓度较低的水域；利用主成分分析方法将MODIS数据7个波段的遥感信息归纳了2个主成分因子，通过统计回归构建出主成分因子对水质参数的反演模型，模型精度与遥感指数方法相当；最后利用波段反射率数据和波段比值、水深数据等作为输入，建立了4个BP神经网络来反演水质参数，反演效果有较大提高。　　 对上述四种模型的反演效果进行对比分析，结果表明，神经网络方法对水质参数的反演精度最高、效果最好，说明神经网络的自适应、自组织性和容错性能，很适合用于模拟水质参数与光谱特征间的复杂关系。而水深信息的加入，则大大提高了神经网络模型的精度，具有良好的应用性能。