浮游植物作为海洋生态系统的初级生产者,在海洋生态系统的物质循环和能量流动过程中承担了重要作用。现有研究表明,不同的浮游植物类群在海洋生物地球化学过程中作用截然不同。故而借助遥感实现对浮游植物类群全球观测,对研究全球变暖、海洋酸化等科学问题具有重大意义。经过前人们的努力,浮游植物类群遥感算法已经取得了很大进步,但算法的适用范围受限,精度仍有待提高。不同浮游植物类群具备不同的特征色素,在吸收光能用于光合作用产生有机碳的过程中,呈现出不同的光吸收性质。在生物-光学上,用浮游植物吸收光谱（aph（λ））表征浮游植物光吸收性质。利用该吸收性质进行类群识别,是实现类群遥感最直接的途径,但目前仍然鲜有研究。为此,本研究选取西太平洋面积最大边缘海——南海及其邻近台湾海峡作为实验区,开展基于光吸收性质的浮游植物类群遥感算法的探索。首先,通过分析研究区域内表层水样的aph（λ）与浮游植物类群实测数据,发现表层水体的吸收光谱可以分成两类。一类是以原绿球藻与聚球藻光吸收贡献占主导的Class1类光谱;二类是以硅藻与聚球藻光吸收贡献占主导的Class2类光谱;对两类吸收光谱分别进行高斯分解后,再分别通过多元线性回归建立起高斯峰峰值与浮游植物优势类群生物量模型,成功预测了 Class1类光谱对应的浮游植物优势类群原绿球藻与聚球藻的生物量,Class2类光谱对应的浮游植物优势类群硅藻与聚球藻的生物量;预测结果的决定系数均在0.5以上,中值绝对相对误差均在55%以内。这一建立在实测数据分析基础上的模型,为进一步实现浮游植物类群遥感打下了基础。进而,我们训练了输入为可见光301个波段的Model 1和输入波段为MODIS卫星10个波段的Model 2神经网络模型,分别对Class1和Class2类aph（λ）光谱对应的遥感反射率光谱（Rrs（λ））进行识别,所有数据集的验证精度均在90%以上。Model 2的验证结果证明了该神经网络模型具备应用到卫星遥感上的潜力。接着,我们针对Class1和Class2两类光谱分别运用了不同的优化求解策略,从Rrs（λ）反演相应的浮游植物光吸收光谱。反演结果和QAA算法反演结果对比发现,该优化求解算法在可见光波段反演aph（λ）具有高稳定性,更加适合用于浮游植物类群遥感反演。将光谱波段为MODIS卫星波段的aph（λ）反演结果应用所开发的生物-光学模型上,原绿球藻和硅藻的预测结果的决定系数分别为0.26,0.51。由此,从Rrs（λ）出发反演Class1类和Class2类光谱所代表的浮游植物优势类群-即原绿球藻和硅藻的生物量,全路径基本实现。最后,将以上发展的模型算法应用到南海MODIS气候态的卫星图像上,夏季湄公河和珠江河口区由于陆源营养盐丰富而具有高硅藻生物量,以及冬季原绿球藻的生物量由于上层海水混合强烈营养盐得到补充而达到最高。这些海洋动力过程导致的浮游植物类群组成上的特征,得到清晰的体现。总之,本研究试图提出一种以光吸收性质为中心、同时结合聚类分析与神经网络算法的浮游植物类群卫星遥感方案,可以实现优势类群生物量的定量,并且经过了一定量实测数据的验证。尽管以部分中国海为实验区,但预期该方案的思路可应用于有一定实测高光谱浮游植物吸收数据积累的全球大洋或边缘海。诚然,未来需要积累更多的实测数据加以进一步的验证与算法性能的优化提升。