遥感技术为内陆水监测提供了便捷的途径,将传统的现场采样与遥感地理信息技术结合可以快速、大范围的监测水质状况。但是受限于遥感影像的质量,当前的水质反演产品难以兼顾高时间分辨率与高空间分辨率。由于遥感水质反演过程较为复杂,且传统经验模型和物理模型互有优劣,因此需要选择合适的反演模型来适应不同的遥感数据。本文以白洋淀水域作为研究区域,结合水质采样点和多源遥感影像,对时空谱融合与深度学习的水体叶绿素a反演方法展开研究。通过空谱融合和时空融合算法生成时空谱融合数据,然后结合深度学习反演了白洋淀的水体叶绿素a浓度,生成了时间序列。文章主要内容包括:（1）结合GS（Gram-Schmidt）空谱融合与STARFM（Spatial and Temporal Adaptive Reflectance Fusion Model）时空融合能够得到较好的时空谱融合影像。在GF-2的空谱融合研究中发现基于GS融合的空谱融合方法在水体中能获得更好的效果,空谱融合后的水体蓝、绿、红和近红外波段与原始多光谱波段的相关度分别达到0.813、0.865、0.7984、0.953;在GF-2与Sentinel-2的时空融合研究中基于STARFM融合的时空融合方法在水体中能获得更好的效果,基于时空融合后的水体蓝、绿、红和近红外波段与原始多光谱波段的相关度分别达到0.873、0.882、0.895、0.944。时空谱融合后的影像时间分辨率达到5天,空间分辨率达到1米,依旧保留了水体的光谱特征。（2）经过数据扩充与参数迭代的CNN（Convolutional Neural Networks）模型在时空谱融合影像上能获得较好反演效果。研究中BP（back propagation）神经网络的平均相关度为0.565,CNN的平均相关度为0.793。对卷积核的个数进行了迭代,确定了以Sentinel-2为遥感数据源的4-（236-452-996）-1-1卷积神经网络模型,相关度为0.817,和以GF-2 like（1m）为遥感数据源的4-（228-332-932）-1-1卷积神经网络模型,相关度为0.825。最后使用2019年8月21日的遥感数据对反演模型进行应用,发现时空谱融合影像的水质结果能够保持整体的水质分布特征,还能提供更多的局部空间细节。（3）生成的叶绿素a反演产品同时具有高时空分辨率,为白洋淀蓝藻的动态观测提供了科学的监测数据。使用2016-2021年7月到9月的Sentinel-2影像的进行叶绿素a的反演,发现淀区存在三类不同时空变化特征。基于2016-2021年7月到9月的Sentinel-2影像生成了时空谱融合数据集,并使用CNN模型反演了叶绿素a浓度,生成了具有高时空分辨率的叶绿素a反演产品。研究发现在空间差异足够大的情况下,融合影像与原始影像的反演结果相关性较高。白洋淀区域在2020年的叶绿素a浓度水平较低,白洋淀的水污染治理取得了显著效果。