水体光谱与水色参数关系密切,利用这种关系可以估计水色参数的浓度。叶绿素a浓度（Chla）反映了湖泊水体的富营养化程度,是重要的水质参数,基于遥感数据反演水体中Chla是水质监测的重要手段。浑浊水体光学特性复杂多变,水体光谱中不可避免的存在着噪声,影响着反演模型的建立以及监测应用。因此研究光谱数据降噪提纯的方法进而提高Chla遥感估计的稳健性和精度显得尤为重要。论文以太湖为研究区,基于2010～2018年11期154个野外实测样点光谱数据和室内水质参数数据,研究非负矩阵分解方法的降噪效果。以未处理光谱建立的三波段半分析模型为基线模型,对比了不同降噪提纯光谱所建立的模型精度,通过单批次采样数据确定了区域内最佳非负矩阵分解方法,分析了其对Chla反演精度的影响。构建了太湖水体Chla的估算模型,并对模型进行了应用验证。主要研究内容和结论如下:（1）不同的非负矩阵分解方法与Chla的遥感估计使用15种典型非负矩阵分解方法处理太湖单批次调查数据,用获得的逼近光谱建立新模型并与基线模型对比。结果表明,多数非负矩阵分解方法具有光谱降噪提纯效果,其中区域内适用的最佳非负矩阵分解方法是稀疏非负矩阵分解（Snmf）。所有调查批次中,改善较好的批次多为夏秋季,平均风速在1.73～1.82m/s之间,平均温度在19.28～36.26℃之间。（2）非负矩阵分解的光谱降噪作用根据实测光谱数据的统计特性,使用高斯白噪声进行噪声模拟,对比了主成分变换（PCA）和Snmf的光谱降噪效果。结果表明,二者均可以使水体光谱更加平滑,Snmf的去噪效果优于PCA。（3）叶绿素a浓度遥感反演模型的建立与验证将Snmf与正交匹配追踪算法（OMP）、一阶微分结合处理光谱数据,并与原始光谱、Snmf、一阶微分、核回归平滑、小波变换等单独的光谱处理进行对比。分别按照两种方式建模和验证:方式一随机抽取60%样点数据用于建模,40%样点数据用于验证;方式二将2016年以前数据用于建模,2016年及其后数据用于验证。结果表明,与三波段模型相比,使用Snmf处理后光谱建立的模型精度和验证精度均有提高。其中,改进效果最好的是Snmf+OMP。在方式一中,其模型精度为 R~2=0.77,RMSE=11.74 mg/m~3,验证精度为 R~2=0.79,RMSE=11.07 mg/m~3。在方式二中,其模型精度为R~2=0.8,RMSE=9.27 mg/m~3,验证精度为R~2=0.76,RMSE=13.22 mg/m~3。论文使用不同的非负矩阵分解方法处理太湖水体光谱,利用获得的逼近光谱建立Chla遥感反演模型并验证,同时结合其他方法进行建模,降低了 Chla浓度的估计误差,提高遥感反演模型的稳健性,增强了所建模型的监测应用能力。论文使用的方法可为二类水体的Chla遥感估计和监测提供基础支持,为其他生化参数的遥感反演建模提供参考。