浮游植物物种组成研究是了解浮游植物生态和生物地球化学功能的关键。高光谱光学传感器技术能够获得有关浮游植物种类组成的详细信息。本研究提出了一种利用实测高光谱遥感反射率和高光谱卫星图像反演浮游植物物种组成的迁移学习方法。通过迁移由模拟数据集训练的深度神经网络(DNN)的前几层所获得的一般知识信息，并利用实测数据更新DNN后几层，降低了训练DNN预测自然水域浮游植物物种组成所需的大量实测样本数据。该方法是建立在实测数据集基础上，并与中国不同海域收集的数据集进行了验证，具有较高的准确性(R2 = 0.88，平均绝对百分误差= 26.08%)。该方法在沿海海洋高光谱成像仪(HICO)上的应用表明，该方法可以得到优势浮游植物种类的空间分布及其相关成分。这些结果表明了高光谱遥感反演浮游植物物种组成的可行性，突出了迁移学习算法的优势，为浮游植物物种组成和浮游植物功能类型研究带来了更广阔的应用前景。