随着自然环境日益恶化和人口持续增长,人类在粮食安全和森林资源保护上面临着严峻地挑战。为了满足粮食需求和保护森林资源,需要实时监测植被生长和变化状况。冠层叶绿素含量（Canopy chlorophyll content,CCC）是植被生长状况的重要指示因子,估算冠层叶绿素含量对有效监测植被生理条件、植被生产力和环境胁迫具有重要意义。然而传统地面测量方法具有破坏性、低效率、低维度且资源密集等缺点,严重制约了冠层叶绿素含量遥感反演的发展。遥感技术以其快速、实时、动态、无损等特点,可大面积估算植被冠层叶绿素含量。植被指数（Vegetation index,VI）常用于冠层叶绿素含量的遥感反演,但在复杂环境的应用中常受到植被结构的影响。如何减小植被结构对冠层叶绿素含量反演的影响仍是一个亟待解决的科学问题。因此,本文开展了植被结构影响下的冠层叶绿素含量反演方法研究。本文针对农作物冠层叶绿素含量反演研究,基于PROSAIL-D辐射传输模型,通过结合对叶倾角不敏感的优选MTCI（MERIS Terrestial Chlorophyll Index）指数和特征光谱反射率,分别利用经验回归和机器学习方法对农作物冠层叶绿素含量反演进行了深入研究。在森林冠层叶绿素含量反演中,基于PROSPECT-D和4-Scale辐射传输模型,通过结合聚集指数（Clumping index,CI）植被结构参数,提出了有效冠层叶绿素含量（the effective CCC,CCCe）的概念,分析了CI在森林冠层叶绿素含量建模中的物理机理;并利用随机森林方法构建了基于CI、特征波段反射率和MTCI多元变量特征的森林冠层叶绿素含量反演模型,有效提高了森林冠层叶绿素含量的反演精度。论文主要研究内容和进展如下:（1）优选出对叶倾角分布变化不敏感的植被指数。通过PROSAIL模型模拟的农作物冠层光谱数据,分析了不同叶倾角分布下30个植被指数与冠层叶绿素含量的相关性,优选出对叶倾角分布不敏感的8个植被指数。利用不同叶倾角分布下的玉米实测数据进一步评估了8种优选植被指数的敏感性,结果表明:MTCI对叶倾角分布不敏感,可适用于不同叶倾角分布下的冠层叶绿素含量的反演研究。（2）将特征波段反射率和MTCI与机器学习方法相结合用于估算农作物冠层叶绿素含量。利用MTCI与特征波段反射率的组合,对5种机器学习模型（多元线性逐步回归、偏最小二乘回归、支持向量机、BP神经网络和随机森林）进行了评估和比较。通过利用地面光谱和MERIS卫星数据,对比各机器学习方法的模型验证精度,确定了基于红/红边波段和MTCI组合的随机森林模型估算结果最优,模型的反演精度最高（地面光谱:R~2=0.51,RMSE=52.25μg/cm~2;MERIS卫星数据:R~2=0.80,RMSE=34.71μg/cm~2）,提升了农作物冠层叶绿素含量的反演精度。（3）提出了有效冠层叶绿素含量的概念。通过分析CI对森林冠层光谱与MTCI的影响,将CI融合到森林冠层叶绿素含量的反演中,构建了有效减少植被结构影响的反演模型。经过融合CI后的经验线性模型,显著提高了森林冠层叶绿素含量反演精度,阔叶林的R~2和RMSE分别从0.70和63.64μg/cm~2提升至0.76和36.51μg/cm~2;针叶林的R~2和RMSE分别从0.49和96.02μg/cm~2提升至0.53和58.49μg/cm~2。（4）构建了一种结合CI植被结构先验知识的随机森林模型用于遥感反演森林冠层叶绿素含量。通过对CI、特征波段反射率和MTCI的组合,利用CI、MODIS叶面积指数和MERIS地表反射率多源遥感数据,综合评估了12种基于多元特征变量的随机森林反演模型的预测能力;同时考虑模型在地面光谱和MERIS卫星数据上的性能表现,基于CI、特征波段反射率和MTCI多元变量特征的随机森林反演模型能够有效减小植被结构的影响,表现出最高的反演精度（阔叶林:R~2=0.77,RMSE=27.95μg/cm~2;针叶林:R~2=0.61,RMSE=34.83μg/cm~2）。