悬浮泥沙浓度是水体监测中极为重要的指标。本论文基于神经网络具有弥补传统经验算法固有误差的潜力,设计并开发了基于人工神经网络的神经网络校正器来对经验反演结果进行二次校正。为了防止在小数据集的情况下出现过拟合问题,采用了特殊设计的正则化项。基于高分五号高光谱遥感数据以及在长江口和沿海水域同时收集的悬浮泥沙浓度实地测量结果,研究了4种基线经验模型,并评估了使用神经网络校正器后的精度。在每个基线模型上都测试了神经网络校正器模型的两个典型应用,包括基线模型校正和时间校正。在这两种应用中,结果均表明,经校正的D’Sa模型具有最高的准确性。通过使用基线模型校正,均方根误差从0.1495 g/L降低至0.1436 g/L,平均绝对百分比误差从0.7821降低至0.7580,决定系数从0.6805升高至0.6926。实施时间校正后,平均绝对百分比误差从0.8657降低至0.7817,决定系数从0.6688升高至0.7155。最后,基于神经网络校正器校正后精度最高的模型处理了整幅高分五号高光谱图像。本论文结果为各种经验反演算法提供了一种通用的二次校正方法,以最大程度地减少基线模型的固有误差,并且保证了反演精度。