叶面积指数(Leaf Area Index,LAI)是一项重要的、可用于衡量农作物生长状况的指标。在现代农业、林业管理等领域的应用较为广泛,同时在陆地生态系统与作物生长系统模型构建、农业环境监测中也具有重要意义。针对我国高分自主卫星载荷特点,研发其叶面积指数反演方法,充分发挥高分自主卫星技术应用潜力,促进高分自主卫星应用具有重要研究意义和应用价值。本论文以河北省怀来县、栾城县和廊坊市为实验基地,基于植被指数模型、BP神经网络模型和粒子群神经网络模型,首先把栾城县作为试验区,对不同分辨率的高分遥感影像孕穗期玉米叶面积指数反演与验证,然后把怀来县作为试验区,反演全生育期玉米叶面积指数并验证,最后把怀来县、栾城县和廊坊市作为试验区,反演孕穗期玉米叶面积指数并验证。研究成果如下:(1)针对国产高分系列卫星采用粒子群神经网络模型较BP神经网络模型和6种植被指数模型反演玉米叶面积指数提高了速度和精度,有较强自学习和自适应能力,能更快收敛域最优解,取得稳定性高且精度良好的反演结果。(2)夏玉米在不同生育期会受光照、水分和生长速率的影响引起叶面积指数的变化,总体来说,全生育期叶面积指数呈现出缓慢增长-快速增长-逐渐变小的过程。根据该特点,基于粒子群神经网络模型反演叶面积指数较BP神经网络模型和6种植被指数模型更加符合当地玉米的生长状况,有利于玉米提前估产。(3)在三个实验区中,粒子群神经网络模型反演玉米叶面积指数比6种植被指数模型和BP神经网络模型都具有相对较高的精准度与稳定性,因此,基于粒子群神经网络模型反演叶面积指数具有较高的区域适应性。综上,粒子群神经网络模型反演叶面积指数能满足多高分卫星遥感影像、多区域和多生育期的要求,该模型在叶面积指数反演方面具有很大潜力和较高的区域适应性,对提高农业监测水平具有重要价值。