叶面积指数(Leaf Area Index，LAI)与地表-大气之间能量与物质的交换密切相关，是地表过程模型的重要输入参数。当前，基于遥感技术已经生产了多套全球或区域范围的低空间分辨率（低于500 m）LAI产品。然而，验证发现这些产品大多还不能满足应用需求，具体体现在:①精度未达到特定阈值，如全球气候观测系统指定的精度阈值为max(0.5，20％)。②存在过多无效值，时空不连续。LAI合成窗口内遥感观测不足及地表异质性是引起LAI反演结果中不确定性的两个重要来源。　　本文主要研究内容及结论如下:　　(1)多星多角度遥感观测协同反演叶面积指数。针对云雨天气等引起的遥感观测数目不足的问题，基于神经网络方法和考虑粗差剔除的最大值合成方法，构建了协同使用多源低空间分辨率遥感数据反演LAI的技术方法。使用MERSI/FY-3A、MERSI/FY-3B、MOD09GA、MYD9GA数据生产了全国LAI产品。并借助模拟数据、实测LAI及同类LAI产品(MODIS、GEOV1、GLASS)对算法进行了验证。分析发现，本算法对观测噪声具有较好的鲁棒性;在黑河上游和中游反演精度优于同类产品;并且，由于数据源更加丰富，产品的时空连续性得到了显著增强，全国范围内反演指数（有效反演的像元数与植被总体像元数之比）分别由0.88(MODIS)和0.78(GEOV1)提高到0.96。　　(2)异质地表叶面积指数尺度转换方法。在辐射独立性和辐射可分性前提假设下，通过耦合光谱线性混合分解和泰勒级数展开，构建了可同时考虑长势差异和混合像元影响的LAI尺度转换综合框架。在黑河中游的验证结果表明，本方法可得到尺度不变的LAI反演结果，公里级分辨率下，尺度误差从26％下降到2％。　　(3)多时空分辨率遥感数据融合反演异质地表叶面积指数。低空间分辨率遥感影像无法刻画地表的空间细节，会产生尺度误差，但时间分辨率高有利于对植被进行长时间序列、高时间频率的监测;高空间分辨率影像（30 m及以上）保留了地表的异质信息，像元内近似满足辐射传输模型构建时的均质假设，理论上具备比低空间分辨率影像更高的反演精度，但其时间分辨率较低，不利于对地表的连续观测。针对异质地表LAI反演的实际需求，本文借助贝叶斯框架，融合高空间分辨率影像的空间信息和低空间分辨率影像的时相信息，构建了异质地表LAI反演的技术方法。基于本方法可以得到的纯植被区域的LAI，从而更能满足农业估产等实际应用需求。区域尺度植被特征统计时，相比于直接由低分辨率数据得到的结果，本文方法可以得到更准确的LAI概率分布特征，从而更适于驱动大尺度的生态过程模型。　　本文提出的两种多源数据协同反演方法（多源低空间分辨率数据协同;高-低空间分辨率数据协同）和尺度转换方法，对进一步提高当前LAI产品精度具有一定的理论创新意义和实际应用价值。