全球导航卫星系统反射信号（GNSS-R）是微波遥感的一个迅速发展的领域。该技术利用卫星的直射信号与从散射表面反射的卫星信号进行相关来推测陆地和海洋的物理信息,具有成本低、大量信号源等特点。海洋表面高度作为海洋科学中重要的物理量,其测量方法是一个重要的课题。随着Tech Demo Sat-1（TDS-1）和旋风全球导航卫星系统（CYGNSS）等技术示范卫星的发射,星载GNSS-R技术以其具有全天候、时间和空间分布多样性等优势在海面高度反演领域中受到了越来越多的关注和研究。机器学习具有强大的非线性数据拟合能力和理论基础,很多经典的算法已经成功的应用到了各个领域。机器学习方法总是以数据作为驱动来推测输入与输出之间的映射关系,于是机器学习方法与能够提供大量数据的星载GNSS-R技术相结合成为了一种趋势,并且在海洋风速、土壤湿度等领域有了突破。目前国内外对星载GNSS-R海面高度反演的研究才刚刚起步。虽然利用延迟多普勒图（DDM）的方法取得了显著的结果,但是利用机器学习方法建立海面高度反演模型的研究相对较少。本文分析了多种卫星的星载GNSS-R数据,基于多种机器学习方法建立了新的星载GNSS-R海面高度反演模型,并且在多种经典的海洋数据产品上得到了验证。本文的研究内容如下:1.介绍了星载GNSS-R海面高度反演技术相关的研究现状和机器学习方法在星载GNSS-R领域上应用的发展现状。回顾了传统的星载GNSS-R的海面高度反演方法并综合分析了多种与海面高度相关的数据特征。2.研究了基于TDS-1数据的机器学习海面高度反演模型。对TDS-1卫星做了简要介绍,并从中选取了10个特征数据作为模型的输入。根据丹麦科技大学（DTU）全球海洋平均海面高度模型DTU15和DTU全球海洋潮汐模型建立了海面高度模型作为输出。采用主成分分析结合支持向量回归（PCA-SVR）和卷积神经网络（CNN）这两种广泛使用的方法进行分析与比较。通过分析来源于31颗全球定位系统卫星的反射数据,PCA-SVR模型的平均绝对误差（MAE）、均方根误差（RMSE）和决定系数（R~2）分别为0.61米、1.72米和99.56%;CNN模型的MAE、RMSE和R~2分别为0.71米、1.27米和99.76%。3.研究了基于CYGNSS数据的机器学习海面高度反演模型。简要介绍了CYGNSS卫星并从中提取了13个特征数据。利用DTU18与DTU全球海洋潮汐模型计算的海面高度作为模型的输出。对比分析了反向传播神经网络（BP）和CNN这两种已被广泛应用的机器学习方法在CYGNSS数据上进行海面高度反演的性能。根据不同信号源的数据进行独立分析的策略,BP和CNN模型的MAE分别为1.04米和0.63米。在结果的评估中,还分别引用了法国国家空间研究中心的CLS 2015平均海面高度模型与Jason-3的高度计数据做了进一步验证,模型的反演结果与各个数据产品之间的一致性高。