本文研究了卫星观测资料反演大气温湿度廓线问题中的统计反演方法和物理反演方法。在统计反演方法的研究中,本文使用了风云三号卫星的实际观测数据分别训练了传统的统计回归方法,反向传播(BP)神经网络方法和支持向量机方法,并进行了反演实验。实验结果表明,BP神经网络方法和支持向量机方法在温湿度廓线的反演精度上均优于传统的统计回归方法。且在温度廓线的反演上,在海面上有云但无雨和陆地上有云这两种情况下,支持向量机方法在反演精度上略优于BP神经网络方法,在其他情况下两种方法反演精度相当;而在湿度廓线的反演上,在陆地上晴空时支持向量机方法在反演精度上要优于BP神经网络方法,在陆地上有云的情况下,两种方法反演精度相当,在海洋上无雨时BP神经网络方法在反演精度上则要优于支持向量机方法。在物理反演方法的研究中,本文结合非线性反演问题的特点,提出了一种基于L-curve方法并结合熵的概念的新方法来为一维变分反演过程选择正则化参数。在第一次迭代过程中,此方法使用基于最小化待反演参数的熵而计算得到的值作为所使用的正则化参数;在之后的迭代过程中,此方法在上一次迭代过程中所使用的正则化参数的邻域中使用L-curve方法来选择正则化参数,以减小线性化误差带来的影响。这一新方法被用于大气红外探测器(AIRS)观测数据的反演实验中,结果表明新的方法在反演精度上要优于L-curve方法和偏差原则方法。