植被覆盖超过2/3的陆地表面,是陆地生态系统的重要组成部分。植被中多样的生化参量包括:等效水厚度、干物质含量、氮素等,可直接或间接地反映植被的生长状态及其生态过程。因此精确获取植被参数含量成为检测植被生长状况和评估生态系统功能的重要途径。遥感作为一种大范围、非接触、动态的观测手段,可以获取植被覆盖区域的光谱辐照强度、覆盖区域变化和色彩差异等信息。这些信息为获取植被生化参量提供了有效信息源。遥感反演植被生化参量多使用多光谱或高光谱反射率数据。这类数据反映了地表反射的光强信息,但忽略了地表反射中偏振信息的影响。偏振信息是反射光的一部分,可以反映观测表面物理状态信息,从而间接反映植被生长状态,可以作为光谱数据反演植被生化参量的先验和补充。另外,现有模型对生化参量和输入数据之间的映射关系通过物理模型构建。这类模型对于理想场景（即简化的实际场景）精度较高,对于复杂场景,精度较差。机器学习算法对非线性映射具有强大的拟合能力,适用于结合模型输入对植被参量进行估算。但是,考虑偏振反射并利用机器学习算法实现植被生化参量反演的研究,却从未开展。针对上述生化参量反演遇到的问题,本文以偏振反射和植被指数作为反演模型的信息补充并结合机器学习算法对植被生化参量进行定量反演。（1）为获取精确的植被偏振反射,本文在偏振反射建模基础上结合广义回归神经网络（GRNN）提出GRNN-BPDF模型。通过与六种半经验模型对比,表明GRNN-BPDF模型对地表偏振反射预测精度有显著提升。在使用全年收集的数据的情况下均方根误差（RMSE）可以减少13.4%,在使用每月收集的数据实验中,共97.4%的案例反演结果精确度更高。（2）使用机器学习算法和植被指数定量反演植被生化参量（如等效水厚度和干物质含量）,从多个算法角度构建反演模型,如K近邻、偏最小二乘回归、支持向量回归和随机森林,结论是结合机器学习与植被指数的模型预测精度最高,并讨论了模型的局限和潜力。（3）最后以偏振反射和植被指数作为先验,结合机器学习算法构建反演模型,对我国东南地区植被氮素进行预测,在四种地物分类目标的实验中获得了更高的预测精度（反演精度较基于光谱反射率的方法提升了4.13%以上）。为进一步挖掘机器学习算法结合植被指数在植被参量反演领域的研究提供了实验基础和理论依据。