地表温度（Land Surface Temperature,LST）是地气界面能量交互中的一个关键因子,是地表热辐射的直接表征和多种地气模型的输入参数。热红外遥感是反演地表温度的主流方式,但是受制于物理机制的影响仅能获取晴空条件下的地表温度。被动微波遥感在监测大区域尺度地表温度变化、补足由于云覆盖导致的地表温度时间序列缺失以及协同热红外遥感生成中分辨率（如1 km）全天候地表温度等研究中有着得天独厚的优势。然而目前使用被动微波遥感反演地表温度还面临着反演精度低和被动微波亮温图像存在条带间隙的问题,针对这些问题,本文的主要研究工作如下:（1）构建了一种基于神经网络的高精度被动微波遥感地表温度反演模型。以精度较高的MODIS地表温度作为标签值,结合一系列地表参数和大气参数,对比了传统神经网络和两种深度学习网络（深度信念网络-DBN和卷积神经网络-CNN）在被动微波地表温度反演中的表现,对比结果表明CNN的均方根误差比NN和DBN低0.1-0.4 K。对多种输入参数组合的测试结果表明在亮温的基础上增加一些容易获得的参数（如2 m气温）可以明显提高反演精度。验证结果表明CNN LST在白天的均方根误差为2.2-3.6 K,在夜间的均方根误差为1.4-2.2 K。与Glob Temperature AMSR-E LST的交叉对比结果表明使用CNN反演得到的地表温度更接近于MODIS LST。与气温数据的对比结果表明CNN LST和气温数据的年内变化趋势相似。与其他学术界常用方法（查找表算法和单通道算法）的对比结果表明建立的CNN模型可以明显提高被动微波地表温度在裸地像元上的反演精度（1 K以上）。（2）提出了一种基于正向模拟的被动微波亮温条带填补方法。从正演的角度出发,利用再分析资料空间无缝的特点,结合深度神经网络强大的非线性拟合能力实现对再分析资料的隐式校正,进而实现对被动微波亮温图像条带间隙的填补。为了对被动微波像元内可能出现的冻土和积雪覆盖状况进行表征,在地表参数、地下参数和大气参数的基础上,将极化比（Polarization Ration,PR）和频率比（Frequency Ratio,FR）作为输入参数,以增强深度神经网络对于微波辐射过程的正向模拟能力。基于模拟亮温缺失值的验证结果表明青藏高原实验区白天各个通道的均方根误差为2.5-3.7 K,晚上的均方根误差为2.5-4.1 K;华南实验区白天各个通道的均方根误差为1.6-2.4 K,夜间为1.4-2.1 K。同时敏感性分析表明基于时间线性插值获得的亮温条带处的PR和FR值对于准确预测条带处的亮温有很小的影响。（3）比较和验证了基于被动微波亮温预测值反演得到的完整被动微波地表温度序列。将青藏高原和华南实验区的亮温预测值反演得到的地表温度与利用原始亮温反演得到的地表温度进行了对比,结果表明在青藏高原实验区由于亮温预测偏差导致的地表温度的均方根误差在白天小于2.4 K,夜间小于1.4 K,而在华南实验区由于亮温预测偏差导致的地表温度的均方根误差在白天小于1.6 K,夜间小于1.1 K。在三个实测站点处（CBS、TYU和DXI）的验证结果表明由于亮温预测误差引起的地表温度的均方根误差小于1 K。因此尽管亮温预测值相比于原始亮温值存在一定的偏差,但对最终反演得到的地表温度的精度影响有限。该研究进一步确认了使用深度神经网络构建的亮温预测模型具有很高的精度,且生成的完整被动微波亮温序列可以应用于地表温度等相关遥感参数的反演。