海表温度是一项重要的海洋物理参数,在海洋学、气象学研究中占有重要地位。遥感技术的发展为大面积的海表温度提供了广泛的数据获取途径。深度学习技术因其出色的特征学习能力在语音识别、自然语言处理等人工智能方面的应用中取得了令人瞩目的成绩。本文以遥感技术和深度学习技术为理论基础,研究基于深度神经网络的海水表面温度反演模型建立方法,实现对海表温度的遥感反演,并对反演结果的精度和模型的可移植性进行了分析与验证。本文以渤海海域为研究区域,选取2013年至2016年的MODIS遥感影像数据和浮标实测数据建立了海表温度的反演模型并进行了海表温度的反演。通过对遥感数据进行辐射定标、几何校正等操作获取了不同波段的亮度温度和大气透过率等遥感参数数据,并对数据进行标准化。将遥感数据与实测数据组成数据量为776组的数据集,随机排列数据,按照6:2:2的比例将数据划分成466组训练数据、155组验证数据和155组测试数据,分别用于模型训练、模型参数调整和模型精度验证。通过相关性分析,确定与海表温度相关度较高的T31、T31-T32、secθ、τ31·T31和τ32·T32共5个遥感参数作为模型输入参数,建立基于深度神经网络DNN的反演模型。针对训练中深度神经网络经常存在的梯度弥散、过拟合等问题,通过选择具有稀疏性的Relu作为激活函数,加入Dropout算法和采用改进的优化算法Adam等优化策略加以克服。为确定隐含层层数、迭代次数等模型参数,通过预设不同的参数,并进行实验对比以完成模型参数设置。根据验证数据精度调整其他各项参数,最终确定该反演模型的各项参数。应用训练好的模型对渤海海域海表温度进行反演,对获得的反演结果进行精度分析,结果表明:本文所建立的基于深度学习的反演模型取得了较高的精度,绝大数情况下的反演结果误差小于1℃。通过将本文所建立的反演模型与传统回归统计模型的反演结果进行精度对比,证明了基于深度学习所建立模型在海表温度反演中的可行性和相较于传统反演方法的优越性。最后,将基于深度学习的反演模型移植于南海海域,结果表明精度仍较高,证明了模型的可移植性。因此,本文的研究成果对海表温度遥感反演具有一定的理论和实用价值。