摘要：海表盐度(Sea Surface Salinity,SSS)是研究海洋对全球气候影响的重要参量,欧洲航天局(European Space Agency,ESA)设计研发的SMOS(Soil Moisture and Ocean Salinity)是专用于探测海水盐度的卫星之一。受射频干扰(Radio Frequency Interference,RFI)等因素的影响,SMOS卫星盐度产品的精度难以达到预期效果。为了提高SMOS卫星海表盐度产品精度,本文提出一种基于深度神经网络的海表盐度反演算法。以太平洋中部海域(150°E~180°,5°~30°N)为研究区域,利用Argo浮标实测盐度数据为参考真值,将SMOS卫星L1C、L2级产品与Argo盐度数据进行时空匹配。并根据海洋遥感和辐射传输理论,选取亮温(Brightness Temperature,TB)、海表温度(Sea Surface Temperature,SST)、降雨率(Rain Rate,RR)、波高(Significant Wave Height,SWH)、纬向风速(Zonal Wind Speed,ZWS)、经向风速(Meridional Wind Speed,MWS)和蒸发量(Evaporation,Eva)七个影响盐度的重要参数,利用K折交叉验证法,构建了深度神经网络(Deep Neural Network,DNN)模型,对SMOS卫星L2级数据进行反演。实验结果表明,利用本文算法计算得到的海表盐度数据平均绝对误差为0.159,均方根误差为0.195,均明显优于SMOS盐度产品精度,本文提出的算法能够提供更精准的海表盐度产品。