高时空分辨率的积雪监测对于流域尺度的雪水资源管理与可持续利用、牧区的自然灾害评估与预警具有重要的指导意义。卫星遥感技术的快速发展为流域尺度积雪监测提供了有效的平台,如何有效挖掘海量遥感数据中隐藏的重要积雪信息是提升积雪监测性能的一大挑战。对于积雪覆盖监测,如何对已有积雪产品开展去云研究,提升积雪覆盖数据的时间分辨率是流域尺度积雪监测的关键;对于积雪深度反演,如何协同多源观测资料,提升积雪深度数据的空间分辨率是流域尺度雪水资源精确管理亟待解决的问题。为此,本文以北疆重要的畜牧业基地—开都河流域为例,综合利用卫星遥感大数据与机器学习的技术,研究利用雪粒径填补流域尺度的积雪算去云算法,以及基于神经网络的降尺度雪深反演算法,并应用于流域尺度的积雪信息的时空趋势研究。主要研究内容如下:（1）基于时空—极限随机树的积雪去云研究。以开都河流域雪粒径的空间分布特性为基础,同时设计能充分表征开都河流域地貌特点和积雪留存时间的“时空”维数据,构建并训练时空—极限随机树模型,模拟开都河流域海拔、坡度坡向、地表覆盖和“时空”信息等多维输入与雪粒径之间非线性映射关系,开展逐日的云层雪粒径填补研究。本研究通过训练不同数据缺失率下的模型,确定模型所适用的最大云量为70%。基于重要性评分确定最优输入因子组合,来估测云下的雪粒径,并将满足阈值范围的雪粒径判定为积雪,从而实现云下积雪判别的效果。最终,本研究实现了对2000至2020年间66.75%积雪产品数据的去云处理。积雪去云后的雪盖数据相比MOD10A1积雪产品,在不降低积雪识别精度的前提下,年均云覆盖率从52.46%下降至34.41%,而积雪覆盖率从21.52%提升至33.84%,极大提升了积雪覆盖数据的时间分辨率。（2）基于神经网络的降尺度积雪深度反演研究。以经过协同降尺度的被动微波亮温数据与雪盖数据、地理与气象背景场资料作为输入,北疆地区气象站点实测雪深数据作为客观真值,同时针对雪深反演任务设计相应损失函数,通过训练神经网络模型探究输入数据与雪深之间复杂的非线性关系,得到一种适用于北疆—开都河流域降尺度雪深反演模型。经过地面实测数据验证,该模型生成的雪深数据整体均方根误差约为8 cm,优于现有的积雪深度产品（9.38～10.55 cm）。此外,通过对气象站点的下垫面分布、高程分布与北疆整体的地理环境的对比评估,认为本模型在北疆—开都河流域的雪深估计具有较好的适用性,能较好提升流域尺度积雪的空间分辨率。（3）流域尺度高时空分辨率积雪信息的时空趋势研究。基于前文方法生成了高时空分辨率的开都河流域雪盖及雪深数据。并将该数据应用于流域尺度积雪物候与积雪储量的分布特征与趋势变化研究。研究表明,开都河流域的积雪物候特征整体表现为初雪日提前,终雪日推迟,最大连续积雪覆盖日数增加的趋势,积雪覆盖日数呈现2010年之前减少、2010年之后增加的变化;积雪深度呈现微弱增加的趋势,同时最大雪深增加的趋势相较与平均积雪深度更为强烈,而在积雪深度呈减少的区域,最大雪深减少的趋势相较与平均雪深更为显著。开都河流域的积雪面积表现出先减少后增加的趋势,积雪储量则表现出显著增加的趋势。此外,本文也进一步分析了开都河流域2000至2020年温度和降水的分布特征与变化趋势,并构建结构方程模型,量化了各气象趋势特征与地理要素对积雪参数变化贡献程度,其中海拔和纬度是积雪覆盖天数呈现增减趋势的主导性信息,而降水和温度趋势未发现对积雪覆盖天数变化产生显著影响。终上所述,本文发展了适用于流域尺度的云下积雪重建算法,提高了现有积雪产品的时间分辨率;发展了适用于流域尺度的降尺度雪深反演算法,提高了雪深数据的空间分辨了;并将高时空分辨率的积雪信息,应用于开都河流域的积雪参数变化趋势研究中,发现自2000至2020年间,流域积雪覆盖、积雪深度和积雪储量总体呈现增加趋势。