叶面积指数（Leaf Area Index,LAI）是植被监测和地表生态系统研究的重要参数。精确估算LAI对农业、生态、环境和气候变化研究具有十分重要的意义。利用遥感技术进行叶面积指数的估算具有覆盖范围广、人力物力花费少、时间和空间分辨率高等一系列的优点,是获取区域或全球尺度植被LAI的有效手段。由于全球植被覆盖类型错综复杂,尤其是农业估产、生态学等研究领域,在实际应用中,需要高分辨率LAI提供更有价值的信息。现今的许多物理模型与经验模型虽然精度较好,但同时也存在不同程度的缺陷,受制于地表的复杂性和参数尺度的不匹配等带来的误差。因此需要一种简单易行的方法支持高分辨率LAI乃至多尺度LAI的反演,满足众多研究的需求。目前已有的MODIS LAI或GLASS LAI等长时间序列LAI产品的分辨率均是公里级分辨率的产品,尽管这些产品已广泛用于各个领域,但它们的低空间分辨率和数据缺失阻碍了它们在区域尺度上的应用,不能够精细地刻画植被的变化趋势。目前许多学者在高时空分辨率LAI的估算领域展开研究,主要是基于多种遥感产品通过数据融合或数据同化的方式生成高时空分辨率LAI,但这些研究也存在各式各样的问题,如生成的时间序列突变严重或者空间尺度不完整等。本文针对以上几个问题,在多个研究区开展研究,主要工作和结论如下:（1）选取地面观测数据较多的四个研究区,包括三个各地类用于建模验证的研究区与一个用于适用性验证的独立研究区,针对四个研究区,分别获取地面测量数据以及对应的30m空间分辨率地表反射率数据。在三个主要研究区建立并比较了NDVI植被指数经验模型、BP神经网络模型和基于模拟退火算法的BP神经网络模型（SA-BP神经网络模型）,利用地面实测数据对模型进行验证。结果表明:在研究所选的三个主要研究区,基于模拟退火算法的BP神经网络模型的估算精度比BP神经网络模型和NDVI经验模型的估算精度高。为了验证SA-BP神经网络的适用性,选取独立研究区进行验证,结果与实测数据的一致性较好。基于模拟退火算法的BP神经网络模型提高了模型泛化能力,有效防止了BP神经网络模型滑入局部最小值,是提高高空间分辨率LAI估算精度的有效手段。（2）由于现有LAI产品的空间分辨率较粗糙,而高空间分辨率图像的时间分辨率较低,因此本研究中提出了一种改进的集合卡尔曼滤波模型（MEn KF）以生成时空完整的30 m LAI数据。利用滤波后的高质量历史MODIS LAI数据获取LAI背景,并以此为基础构建LAI时间动态模型。以Landsat地表反射率为输入,基于SA-BP神经网络生成了30m LAI作为同化的观测值。然后使用MEn KF估算每个站点的时空完整LAI,其中将最接近背景场年度最大值的Landsat观测日期设置为数据同化的起点。最终,使用该方法在农田,草地和林地均估计了30m的时序LAI。结果表明,MEn KF从存在LAI观测点为起点开始估算,有效避免了数据同化方案中的误差累积,是一种时空完整的30m LAI估算的有效方法。（3）针对目前不同尺度的LAI产品差异过大,及中低分辨率LAI时间序列变化不稳定,空间缺失等问题,在时空完整的30m LAI时间序列的基础上,使用多尺度树（MRT）融合算法,将MEn KF LAI与MODIS LAI和GLASS LAI相结合,最终获得三种不同尺度的LAI数据集。经过验证和分析,该方法有效改善了中低分辨率的时间序列跳变和空间不完整的问题,并且大大提高了三种LAI产品的一致性,是生成多尺度LAI数据集的可靠方案。