近年来,随着遥感技术的发展,卫星遥感具有传统人工监测无法比拟的优势,在水环境监测中发挥了越来越重要的作用。利用卫星遥感影像大面积的监测特点监测Chl-a浓度,分析水体Chl-a浓度的波谱特征,无疑是一项有价值的研究,但是如何精确的定量模拟大量遥感信息与具有明显地域特征的水质浓度之间的关系是一个突破难点的关键。尽管随着国内外学者的研究,尽管目前在学术界已经形成成熟和齐全的技术路线用于内陆湖泊水体的叶绿素a浓度的反演,但是由于湖泊的地域差异性较大,人为因素影响严重,导致这些模型可能不适用于武汉东湖这个城市内陆湖泊,因此,需要构建针对武汉东湖的叶绿素a监测反演模型。本文研究所选取的水域地区为武汉东湖地区,借助于从地理空间数据云上下载的Landsat8遥感影像和湖北省环保厅所得到的省控点检测的水体实测数据,采用统计学方法、半经验-半分析法与BP神经网络技术构建了多个相关的反演模型,并通过人为设定的精度指标进行相同数据情况下的对比,获取了三个模型中在武汉东湖地区进行叶绿素a浓度的遥感反演试验精度较高的模型-BP神经网络模型。本文所做研究工作如下:（1）依据水体叶绿素a定量遥感的反演需求,对从地理空间数据云上下载的Landsat8遥感影像通过ENVI软件对其进行了图像数据的预处理,为后续的提取特征波段研究做好了前期的准备工作。（2）根据Landsat8影像各个波段的具体作用和波长范围,在进行相关性分析之前,行人工波段筛选,去除了1、8、9三个波段,然后分析Landsat8影像中2-6波段的反射率自然组合和对数组合与水体叶绿素a浓度的相关性,一共得到的波段组合有380种组合方式,并将这些波段组合当成变量,相对应的叶绿素a浓度为因变量,使用SPSS软件,运用person相关系数进行分析,最后确定12种相关系数较高的组合进行回归分析,得到一个回归方程,从而构建了决定系数R²为0.739μg/L、均方根误差RMSE为1.721μg/L、平均误差为0.1208的波段组合模型。（3）通过分析国内外学者对武汉东湖水体的光谱特征研究成果,确定三个特征波段,通过对三个对不同波段组合STE进行比较,确定λ1、λ2和λ3所取波长,组合三个特征波段反射率,本文以[R^-1(672-R^-1（703）]×R（752）的值为自变量,构建了R²为0.712μg/L,RMSE为3.106μg/L,平均误差为0.1993的三波段模型。（4）采用人工智能的技术方法提高武汉东湖叶绿素a反演精度,本文构建了一个6-8-1网络结构的BP神经网络模型,该模型的决定系数R²为0.942μg/L、均方根误差RMSE为1.47μg/L,平均反演误差为0.0791。（5）通过对比三个模型的R²、RMSE跟反演,我们可以得到得出以下结论,BP神经网络模型在同一数据源的情况下在武汉东湖地区相对于三波段模型跟波段组合模型叶绿素a反演精度更高,为寻找适合武汉东湖地区水质监测反演模型提供了可靠的基础和方法。本文根据所获取叶绿素a实测数据特点,使用2015年数据进行模型的构建,并应用构建的波段组合、三波段、BP神经网络三种模型通过2016年的实测叶绿素a浓度数据进行反演实验,并应用反演结果通过Arcgis获得了2016年3-8月份的12幅武汉东湖的叶绿素a浓度分布图。最后使用反演精度最高的BP神经网络模型反演2015-2016不同时期的9幅武汉东湖的叶绿素a浓度分布图。使研究人员跟公众能能够直观的看到叶绿素a浓度在武汉东湖的空间特征和时间变化下的一些规律,可以得到以下结论:武汉东湖叶绿素a浓度在整个湖区分布不均匀,各个子湖间的浓度差异性较大,具有明显的空间分布特征和大致的时间变化规律,空间上大致呈现为水果湖、郭郑湖等近居民区的湖泊叶绿素浓度较大,远居民区和在东湖景区内的湖泊叶绿素浓度较小,湖岸边浓度较大,湖中心浓度较小的特点。从时间变化上叶绿素a的浓度改变来看,武汉东湖整年叶绿素a浓度变化比较大,浓度变化趋势基本为夏季>秋季>冬季>春季