土壤湿度是陆面过程中非常重要的物理参数,它影响着地表和大气之间的能量、水以及碳通量交换。它在全球水循环、地表能量循环、干旱评估和生态管理中发挥着非常重要的作用。目前已经发射了一系列主被动卫星或传感器来监测大范围土壤湿度的变化,但由于传感器性能的限制,目前获取的遥感微波土壤湿度产品的空间分辨率较低（～25km）,不能满足水文监测以及农业应用等方面所需的高分辨率土壤湿度的要求。为了克服这一限制,对低分辨率的微波遥感产品进行降尺度来提高其空间分辨率具有非常重要的意义。目前,利用机器学习进行土壤湿度产品降尺度是主流的方法。但是,这种方法采用点对点拟合的方式,没有考虑区域地表参量的空间相关特性对土壤湿度的影响。为了解决这一问题,本文提出了顾及多因素邻域空间关系的土壤湿度产品降尺度方法,来获取更高质量的青藏高原地区2016年1km空间分辨率的SMAP土壤湿度产品,并进行相关分析与验证。本文的主要内容如下:（1）邻域约束深度置信网络的土壤湿度产品降尺度以高分辨率的地表温度、归一化植被指数、地表反照率和数字高程模型数据作为地表辅助参量,首先提出深度置信网络土壤湿度产品降尺度模型,基于全连接结构来更好地拟合土壤水分与辅助地表参量之间的复杂非线性关系。为了解决传统机器学习降尺度方法中点对点拟合而没有考虑空间邻域信息的问题,提出了邻域约束的深度置信网络土壤湿度产品降尺度模型。该模型通过构建三维辅助因子块来提取辅助因子的邻域信息,更好地考虑区域地表参量空间相关特性对土壤湿度的影响,然后在模型中加入dropout和L2正则化来进一步约束模型结构的复杂度和平滑度。接着,将两个模型与两种传统机器学习方法（随机森林、反向传播神经网络）进行比较分析。基于青藏高原地区的4个地面站点监测网络结果评估表明,提出的邻域约束深度置信网络的模型的偏差最小。此外,该模型的降尺度结果具有更多的空间纹理细节,而且能够较好的保持原始SMAP土壤湿度影像的空间一致性。（2）多因素联合残差网络的土壤湿度产品降尺度针对邻域约束深度置信网络降尺度模型在训练过程中不能保持空间结构完整性的问题,从卷积的角度出发,提出了多因素联合残差网络的土壤湿度产品降尺度模型。该模型利用面状数据进行训练,既考虑了空间邻域关系又在模型训练过程中保持其空间结构的完整性,同时利用残差密集块能够挖掘影像的深层次信息。首先将经度和纬度数据转化为二维影像层,和其他辅助影像一起构建降尺度模型。考虑到土壤湿度影像的缺失值会导致模型退出的问题,在训练过程中采取掩膜的策略。在输入数据的特征图和标签数据中均加入原始SMAP土壤湿度影像的二值掩膜,之后再来计算损失函数,将误差后向传播优化模型。接着,对残差网络降尺度结果以及其他方法的结果进行了站点评估、空间细节分析、保持原始影像的整体性能比较、尺度效应以及不确定性分析。结果表明,残差网络在4个定量指标的整体表现最好,能够捕获更多的土壤湿度空间细节信息,而且与数字高程模型的纹理变化相符合,同时残差网络具有最小的尺度效应和最低的不确定性。此外,时间变化趋势分析结果表明,残差网络降尺度结果与SMAP影像的逐月土壤湿度的变化趋势保持一致。