太湖是我国著名的五大淡水湖之一，其周围经济发达，人口密集。在经济高速发展的同时，当地生态系统遭到破坏，尤其是人类活动给太湖造成的严重水质污染，影响了整个流域的可持续发展。水质监测是水质评价和水污染防治的主要依据，随着水体污染问题的日渐严重，水质监测成为经济社会可持续发展必须解决的重大问题。　　 叶绿素a浓度是内陆水体中最重要的水质参数之一，也是水环境评价的重要参数。常规的水质监测受人力、物力、天气和水文条件的限制，费时费力、不经济，只能获取局部的代表性样点水质参数。由于叶绿素a在空间分布上不均一，其空间分布信息难以从常规的水质监测中获取。通过综合使用遥感数据和当地实测数据建立叶绿素a的估侧模型，可以有效地监测叶绿素a在空间和时间上的变化状况，并为其他水质参数的研究提供参考。　　 本文利用LandsatTM数据和准实时的地面采样数据，分析TTM数据监测太湖水质的潜力，分别利用了统计回归、神经网络(NeuralNet)和支持向量机(SupportVectorMachine)的模型方法反演了太湖的叶绿素a浓度。通过相关性分析发现，经6S校正后的TM数据与水质参数之间的相关性比较高，叶绿素a与TM4的相关性最好，与TM2的相关性最弱，同时，通过多种波段组合发现，叶绿素a浓度与TM3/(TM1+TM4)的自然对数的相关性最好，由此构建了三次方统计模型Chl-a=15.742-87.827x-3885.899x2-17582.4x3(R2=0.664F=20.377sig＜0.001)。式中，Chl-a表示叶绿素a的浓度值，单位为ug/l，x表示TM3/(TMI+TM4)取自然对数后的值，TMI、TM3和TM4分别表示LandsatTM图像经过6s大气校正、3*3均值后第1、3、4波段的反射率值。模型预测的效果不理想，估算的绝对误差值最大可达43.11μg/l，中值误差为2.81，相对最大误差更是高达1438.42％，相对误差小于30％仅有7个点。为了提高估测精度，在Matlab等软件支持下，构建了一个三层BP神经网络模型反演太湖水体的叶绿素a浓度，结果表明，估算的绝对误差值最大达12.16μg/l，中值误差为0.70，相对最大误差达292.25％，相对误差小于30％有18个点。　　 支持向量机(Support Vector Machine)是在统计学习理论基础上发展起来的一种新的模式识别方法.它以结构风险最小化(Structural Risk Minimization)为原则，通过实现确定的非线性映射将输入向量映射到一个高维特征空间中，然后在此高维空间中构建最优分类超平面。SVM在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势，并能够推广到函数拟合等其他机器学习问题中。太湖由于受人为活动影响严重，水体呈现富营养化特征，水体组分组成复杂，支持向量机是一种非线性的反演模型，由于具有良好的泛化能力以及在小样本学习中的优异能力，适合模拟这种错综复杂的关系。本文利用台湾大学林智仁博士开发的LIBSVM库文件构建了一个SVM太湖叶绿素a估测模型，结果表明：SVM模型估算的绝对误差值最大仅7.86μg/l，中值误差为0.13，相对最大误差仅是55.36％。与统计模型和神经网络模型相比，支持向量机模型的结果精度更高、更合理，方法更具推广价值。