海洋水色遥感反演本质上是一种病态的(解的稳定性与唯一性不成立)、不确定的(难以或无法建立精确的物理和扰动模型)和非线性的问题,采用传统的建模和“正演+优化”两类反演方法常常难以取得较好的反演结果,尤其是对光学特性比较复杂的沿岸水体。传统建模方法中,分析或半分析方法的反演结果受理论、方程求解和参数测定等方面的诸多限制,而经验算法的主要困难则在于表观光学量与海水成分浓度之间的非线性关系,在缺乏先验知识的情况下,其统计关系式的获取常常依赖于对各种波段组合的大量试验,所建立的经验算法不具备全局性,而且容易造成信息的丢失。对传统的“正演+优化”方法而言,其中一个主要不足在于它所采用的局部优化方法,因为水色反演的目标函数是一个多峰的、不连续的函数,局部优化方法无法保证算法能收敛到全局最小,如果落入局部极值,反演结果可能很差,甚至没有物理意义。近年来发展起来的软计算信息处理方法可以克服上述传统海洋水色反演方法所遇到的困难。本文对此进行探讨,主要内容包括利用软计算中的两种建模和一种优化方法来实现海洋水色遥感反演。第一种建模方法为人工神经网络模型。应用SeaBAM 全球实测数据集,建立从遥感反射率反演海水叶绿素浓度的多层前馈神经网络模型。对多种快速学习算法进行试验比较,从中确立Levenberg-Marquardt 算法来训练网络。为提高算法的推广能力,将Bayes 正规化方法应用于网络的学习过程。反演结果显示,与NASA 所采用的SeaBAM 统计算法相比,神经网络模型的反演值在叶绿素浓度约小于0.03mg/m3的很小范围内有些偏高,在叶绿素浓度的其它区间精度较高,在二类海水区域则明显好于SeaBAM 统计算法。总体而言,神经网络模型的反演结果优于SeaBAM 统计算法。与经验统计算法相比,神经网络模型的好处是可以直接有效地利用各波段辐射所携带的海洋水色信息,可以在包括二类海水区域等各种环境条件下取得较好的反演结果,是一种具有普遍意义的叶绿素浓度反演方法。第二种建模方法为人工神经网络与模糊推理系统的一种融合模型——基于自适应网络的神经模糊系统(ANFIS)。这是一种在模糊模型中采用神经网络学习方法作为工具从而提高自适应性的一种新的建模方法。它也可作为一种具有普遍意义的遥感反演的非线性传递函数,同时又克服了神经网络模型在知识利用与表达、初始参数的选取、结构的自动辨识等方面所遇到的困难。反演结果表明,神经模糊系统的学习效率明显高于神经网络,总体反演精度可与采用Bayes 正规化和Levenberg-Marquardt 法训练的神经网络模型相比拟。反演结果以模糊规则表