人类活动在不同尺度上对水资源和水生态系统造成了深刻影响，导致大部分内陆水体受到不同程度的污染，水质状况较差，富营养化现象严重，并且易于爆发水华等自然灾害，制约着人类社会的可持续发展，因此加强内陆水体的环境监测刻不容缓。作为表征水体生物量与结构稳定性的重要指标，叶绿素a含量被广泛用来监测水体的富营养化状态及变化趋势。利用遥感手段监测内陆水体叶绿素a浓度已经引起国内外研究者的广泛兴趣，并且提出了许多遥感反演模型及算法。但目前的研究主要集中在使用单一数据源、单一模型进行叶绿素a浓度的估算，只能反映某种程度上的真值，反演精度有待提高。因此本文拟引入协同反演的思想，以浙江省最大的淡水人工湖-千岛湖作为研究区，尝试进行多模型、多源数据之间的协同反演，并将遥感观测与生态水动力学模型进行耦合，为叶绿素a浓度的多模型、多源数据、多尺度的协同反演提供新的思路，从而提高叶绿素a浓度遥感反演的准确性和可靠性。　　本文的主要成果与结论如下:　　(1)通过构建多模型协同的代价函数，以Nash-Sutcliffe系数作为单模型误差的度量，实现多模型协同反演算法的构建，从而可以融合不同模型的优势，并有效改善单模型精度较低区域的反演效果，提高了反演精度。以千岛湖野外实测高光谱数据为例，在详细分析了千岛湖水体的表观光学特性与固有光学特性的基础上，构建了叶绿素a浓度反演的模型集，具体包括波段比值、一阶微分、三波段、四波段、Gitelson、Le共计6个模型，并利用多模型协同算法进行了2模型组合至6模型组合（共计57种多模型组合）的多模型协同反演实验。结果表明，多模型协同反演可以有效提高反演精度，相比于单一模型，多模型协同的反演精度提高了4.5％-20.15％;当参与反演的模型数量较少时，在引入多模型的同时也会引入误差，而随着模型数量的增加，各模型的误差得到有效抑制，协同反演精度随之上升。　　(2)通过引入机器学习领域内的支持向量机和随机森林两种算法，构建基于多源遥感影像的叶绿素a浓度协同反演模型，从而减小使用单一数据源产生的不确定性，同时利用机器学习算法可以实现多源遥感数据与叶绿素a浓度之间的非线性映射，从而提高反演模型的精度和预测能力。以环境一号卫星HJ-1A CCD影像和高分一号卫星GF-WFV影像作为多源遥感数据，分别构建了基于支持向量机和随机森林的叶绿素a协同反演模型，并以两期遥感影像为案例，对多源数据协同反演的精度进行了验证。结果表明，相比于单一数据源，引入多源数据可有效降低叶绿素a反演模型的误差，经过协同后，反演精度提高了1.96％-29.26％;支持向量机的反演精度优于随机森林，但精度仅提升了0.06％-0.32％，同时支持向量机的参数估计过程较为复杂，不及随机森林简单实用。　　(3)通过引入卡尔曼滤波算法，实现生态水动力学模型和遥感观测之间的协同，在时间上对瞬态的遥感信息进行拓展，并利用遥感观测从空间上对生态水动力学模型进行修正，从而结合两者的优势实现协同反演。以千岛湖西北湖区作为研究对象，首次基于Delft-3D构建了千岛湖西北湖区的生态水动力学模型，并采用卡尔曼滤波框架进行动力学模拟与遥感观测之间的耦合。结果表明，协同反演算法可以明显改善生态水动力学模型的模拟精度，经过协同后，后者的RMSE、MRE与MAE分别下降了1.06μg/L、6.42％和0.62μg/L;卡尔曼滤波可以为正态分布高斯过程提供方差最小意义上的最优估计，但考虑到水体环境具有偏态分布且非高斯的特点，因此未来需要研究基于集合卡尔曼滤波、粒子滤波等的协同反演算法，进一步提高叶绿素a浓度的估算精度。