遥感探测技术,相较于其他人工探测或测量手段,具有客观、实时、范围大等优点,在判别植被类型、监测长势、防治病虫害等多方面林业测量应用中发挥了不可替代的作用。叶面积指数(Leaf area index,LAI)可通过遥感传感器探测到的光谱及植被指数(Vegetation index,VI)等信息反演得到。随着陆地生态系统碳循环及全球气候变化分析对遥感LAI产品精度的要求逐渐增高,尤其是在森林区域,LAI参数对碳循环模拟结果的精度影响尤为重要。如何有效提高森林区域遥感LAI产品精度成为植被定量遥感研究的重要科学问题。但由于传感器本身限制或受天气影响,往往无法获得质量较好的大区域高时间和高空间分辨率LAI产品。本研究针对Global Land Surface Satellite(GLASS)LAI时间分辨率为8d,但空间分辨率低(1km)的问题,试图采用融合技术将其空间分辨率提高。研究区位于内蒙古自治区的西北部,首先采用建立退火算法(Simulated Annealing,SA)的反向传播(Back Propagation,BP)神经网络模型,估算Landsat8 OLI、GF-1 WFV数据的林分LAI,再利用时空自适应反射率融合模型(Spatio Temporal Adaptive Reflectance Fusion Model,STARFM),将两种LAI结果分别与GLASS LAI进行融合,得到了2013～2017年生长季(5～10月份),时间分辨率为8d、空间分辨率为30m的LAI产品。融合后的30m LAI产品,与机载激光雷达和路径长度分布模型反演的30m LAI产品相似度较高;与实测样地LAI验证相关性较好(R~2=0.79);与相同时间段GLASS LAI年际趋势线进行对比结果相同。结果表明:(1)融合后的LAI产品真实可靠,且时空分辨率得到了提高,对今后研究提高LAI产品的时间和空间分辨率提供参考依据;(2)本研究采用Landsat 8 OLI、GF-1WFV多源传感器影像地面反射率数据相互补充估算LAI,扩展了数据选择范围,为今后国内高分数据开展LAI的时空融合研究提供了理论和技术参考;(3)研究中改进融合流程,得到高时间、空间分辨率LAI产品,可对今后探究植被初级生产力,进而研究碳循环变化具有重要作用,并且可为STARFM算法对于不同场景应用提供参考。