植被是地球表面植物群落的总称,是生态环境的重要组成部分。植被参数的精确获取和相关信息产品的生成在全球变化等研究中至关重要。空间异质性和地形起伏是复杂地表的显著特征,对地表辐射传输过程、植被参数反演具有重要的影响,是限制植被参数遥感产品精度提升的瓶颈。现有植被参数反演算法通常针对单一均匀地物构成的场景建立,反演过程中缺少对地表异质性和地形特征的考虑,导致现有产品精度在复杂地表区域精度较低。随着计算能力的提升,基于计算机模拟模型模拟复杂地表的辐射传输过程成为可能。同时,高分辨率的地表分类数据的出现也为描述复杂地表的场景结构提供了数据支撑,为复杂地表植被参数反演提供了新的可能。围绕着复杂地表连续植被参数反演的目标,本文首先对复杂地表特征进行了参数化和定量分析,然后模拟分析了山地LAI反演的地形误差并在此基础上提出了山地森林LAI的反演方法,最后针对植被参数产品时空不连续的问题,发展了耦合气候数据的植被参数时间序列重建方法。论文主要的研究内容和结论如下:（1）分析了全球地表公里尺度的地表覆盖异质性特征,统计了30m尺度植被和地形特征的耦合关系。基于30m土地覆盖数据Globe Land30提出定量描述1km像元非均质特征的参数化方案。使用像元场景内的地物类型数量和各地物的面积比例描述像元的混合特征;对不同植被类型的冠层高度等级进行划分,描述像元内斑块拼接的边界特征,刻画混合像元的破碎程度;生成了全球1km的地表混合类型分布图和边界长度分布图。基于30m分辨率的DEM数据和地表分类数据分析了全球1km尺度下地表的异质性特征和30m尺度下植被的地形分布关系,并得出以下结论:在1km尺度上,不同土地覆盖类型的混合所导致的异质性在全球范围内广泛存在。陆地/植被区域分别只有35%/25.8%的像元由单一的地表类型覆盖,即为纯像元。由多种植被类型组成的像元占据植被区域所有像元的65.0%。混合像元在生态过渡带中更为常见。具有较多端元数量的混合像元地表通常破碎程度较高,但由两种端元组成的混合像元也可能十分破碎,如北方的针叶林地区。植被生态类型的内部地表覆盖异质性由高到低依次为:稀树草原、落叶针叶林、常绿针叶林、落叶阔叶林、灌木、阔叶作物、草地/谷物作物、常绿阔叶林。全球超过16%的地表面积坡度超过15°。山地区域中,森林和草地所占的面积比例远高于其他植被类型,其中森林更是占据主导地位。在全球尺度上,不同植被类型在坡向上没有明显的分布差异。（2）基于计算机模拟模型（DART）分析了LAI遥感反演的地形效应。论文使用DART模型模拟了坡面连续植被不同参数设置（包括叶片参数、冠层结构参数、土壤背景参数和地形参数等）下的红和近红外反射率数据,定量分析了地形对坡地LAI反演的影响。首先使用人工神经网络（ANN）构建了不考虑地形的LAI反演算法。然后将模拟的坡地反射率输入到ANN模型中,得到有偏差的LAI反演值用于分析LAI反演的地形误差。结果表明,LAI反演的地形误差随着坡度的增加呈线性增长趋势,在坡度为60°时,平均相对偏差可达51%。LAI反演的地形误差与冠层密度有关,除稀疏冠层外,地形的存在通常会导致LAI反演结果偏低。LAI反演误差随着坡向的变化趋势与局部入射角密切相关。浓密冠层中,LAI的反演值从阳坡到阴坡逐渐变低,而稀疏冠层的规律与之相反。这是因为在稀疏冠层场景中,红波段反射率的地形效应更强,而在浓密冠层中,红波段接近饱和,近红外波段受地形的影响程度更大。此研究结果有助于更好地理解LAI反演的地形效应,为山地LAI产品提供更好的反演策略。（3）基于随机森林和DART模型,提出了山地森林的LAI遥感反演方法。论文以DART模型为基准模拟了不同叶片参数、冠层结构参数、土壤背景参数和地形参数条件下坡地森林场景的可见光到近红外的反射率。使用不同传感器的光谱响应函数,卷积得到传感器特定的波段反射率,基于生成的波段反射率数据集,使用随机森林模型训练得到山地森林的LAI反演模型。输入遥感影像的反射率数据、成像几何参数和地形参数得到山地LAI的反演结果。使用模拟数据、四川王朗区域的LAI真值参考图对本算法进行了验证并与现有LAI反演方法（3D-RT查找表）和山地反演策略进行了对比分析。结果表明,本算法能够纠正不同地形特征下的LAI反演误差。本算法的反演精度（RMSE:0.973;r2:0.508）优于现有的山地LAI反演策略（成像几何参数校正策略（RMSE:1.465;r2:0.193）和反射率地形校正策略（RMSE:1.720;r2:0.278））,在山地森林LAI反演中具有很大的应用潜力。（4）提出了耦合气候数据的植被指数时空重建（CGF）方法。论文提出了一种耦合气候因子（包括太阳下行辐射,降水量和温度）的植被指数时间序列重建方法。针对祁连山区域30多年来Landsat-5、Landsat-7和Landsat-8遥感观测数据进行了重建,得到了8天时空连续的植被指数产品。以Sentinel-2的观测数据作为参考,比较分析了本方法和传统的时间序列重建方法（如HANTS,SG滤波）在Landsat数据上的重建效果。结果表明,本方法在数据缺失较少的时候,能够与主流的方法达成相似的重建效果（RMSE接近于0.066）,而当数据缺失大于50%时,本方法的重建成功率（RI:99.9%）和重建精度（RMSE:0.089）均明显高于传统的时间序列重建方法（平均RI:45.3%;RMSE:0.178）。此方法的重建结果可为研究区域长时间序列植被分析提供有效的数据支撑。