地表发射率在热红外遥感的定量化研究、地表能量平衡、地物填图等应用领域扮演着重要的角色，是热红外遥感中最为关键的参数之一。在热红外遥感观测中，地表发射率和温度这两个参数耦合在一起，地表发射率参数的反演通常伴随着温度的反演过程。值得注意的是，从热红外遥感数据中反演地表发射率和温度需要求解病态方程，即通过获取的N个光谱辐射测量值求解N个发射率值和1个温度值共N+1个未知数的过程，因此，地表发射率反演问题具有一定的难度。　　地表类型复杂的情况下，地表发射率的反演精度通常较差。针对这样的问题，本文重点针对地表类型复杂的区域，将机器学习和纹理特征引入地表发射率反演过程，利用中分辨率成像光谱仪(MODIS)数据开展了相关研究。首先分别从基于神经网络和支持向量机(SVM)的方法进行了地表发射率的反演，结果表明，二者的反演精度均优于基于归一化植被指数方法;基于神经网络的方法优于基于SVM的方法。基于该结果，本文在利用神经网络的基础上引入了纹理特征，研究了基于纹理光谱特征融合和神经网络的地表发射率反演方法。实验表明，该方法提升了反演精度。　　本文的主要工作和创新点为:　　1.研究了基于归一化植被指数地表发射率获取方法。　　基于归一化植被指数的方法获取了针对多景MODIS数据的地表发射率。结果表明，该方法在地表类型单一，大部分由裸土覆盖的情况下反演结果较好;针对地表类型比较复杂的情况，该方法的反演误差较大。这些实验结果为后续的方法提供了对比的依据。　　2.研究了基于神经网络和SVM的地表发射率获取方法。　　将MODIS的非热红外波段和热红外波段的光谱数据分别作为神经网络模型和SVM的训练样本。通过不同波段的训练样本，不同的学习模型获取的地表发射率的结果进行对比分析，表明基于非热红外波段的数据反演结果较好;神经网络模型和SVM获取的地表发射率的精度相当，但是基于SVM的参数寻优时间较长，因此采用非热红外波段的数据结合神经网络模型的方法是较优的。该方法不需要对复杂的物理过程进行建模，直接建立地表发射率和地表反射率的关系;不需要对地表类型进行分类，解决了传统的方法和基于分类的方法的不足。　　3.研究了基于纹理光谱特征融合和神经网络的地表发射率获取方法。　　遥感图像具有图谱合一的特点，图像中不仅包含了光谱信息还具有丰富的纹理信息。首先基于灰度共生矩阵提取了纹理特征，然后将纹理特征和光谱特征进行融合，得到的样本特征维度高，对其进行主成分分析和变换。基于神经网络模型和主成分变换后的样本获取了地表的发射率。结果表明，基于纹理特征和光谱特征融合的地表发射率的反演精度得到了提高。该方法对于单通道的热红外卫星精确地反演地表发射率和温度提供了一种解决方案。