从遥感模型的角度，在遥感模型比较简单（如线性模型）且遥感观测数据量（如多波段）大于等于模型参数量条件下，可以根据模型选择相关性小的数据，直接计算模型参数。当观测数据量远大于模型参量时，常采用最小二乘法估算模型参数。

由于地球表面的复杂性，描述遥感观测与地表特征参量关系的遥感模型需要较多的参数，模型参数量常与模型精度成正比。传统的遥感物理模型描述遥感成像瞬间观测数据与地表参量的关系。相对瞬间成像的遥感观测数据而言，遥感数据量通常会少于遥感模型的参数量，由此遥感反演是一个从少量数据估计多个模型变量的“病态反演”问题。解决这个问题的思路，一是通过增加遥感数据源为反演提供更多的数据量，如增加多波段、多角度遥感数据，采用多源遥感数据的协同反演方法等；二是采用遥感观测以外的辅助数据或称模型反演的先验知识，为反演补充信息量，满足遥感反演对信息量的需求。

遥感反演的方法借鉴数学、地球物理学对反问题的处理发展起来，仍有很多需要研究解决的问题。迄今较为常用的方法是，首先构建代价函数，将遥感模型、数据和先验信息关联起来估算模型参数。常用的代价函数用模型参数的后验概率密度分布函数来表示。例如，在观测数据的误差、模型的误差及参数的先验分布均服从高斯分布的条件下，将模型参数X的后验概率密度表示为:

式中为遥感模型；协方差矩阵为模型和测量数据的不确定性；为模型参数先验估计的协方差矩阵。其次是选择适用的优化算法，搜索找到满足最大或最小化目标函数精度要求的模型参数值。优化算法有不同的种类，如微分法、共轭方向调整法（POWELL）、全局优化算法（SCE-UA）等。

从遥感数据估算地表特征参量有各种方法，通过遥感模型的反演是其中的一种估算方法。随着遥感观测数据和数据产品的积累，融合多源数据、组合多种模型、将模型反演与统计集成相结合等估算方法，以及基于遥感数据同化估算地表参量时间序列的方法等，都有很多进展，值得关注。