土壤含水量是陆面生态水循环的关键参数,控制着地表径流和地表水蒸发。在农业生产中,土壤水分是农作物赖以生长和发育的重要来源,也是影响土壤肥力的关键因素。因此,农田土壤水分可以作为反映农田健康状况的有效指标。大范围农田土壤水分的获取可以有效指导农作物的生产。遥感技术为大范围土壤水分的精准监测提供了新的技术支撑。微波遥感穿透性强,具备全天时全天候监测的能力,并且微波信号对土壤水分的敏感性高,使得微波遥感成为了遥感监测土壤水分的主要手段。目前基于裸土的散射模型已经广泛应用于土壤水分反演,但是在植被覆盖区域,土壤水分的反演较为困难,主要有以下两方面原因:首先是微波散射模型的使用受限于缺失的难以实测的地表粗糙度、植被覆盖度等参数;其次植被的存在会衰减地表微波信号且产生复杂的体散射,使得微波信号对于土壤水分的敏感性降低。为了解决冬小麦覆盖地表土壤水分反演中可能存在的上述问题,本研究以加拿大安大略省冬小麦种植区为研究区域,以全极化RADARSAT-2 SAR数据为主要遥感数据源,结合地面调查数据与光学遥感数据,构建了多种基于RADARSAT-2SAR数据的冬小麦覆盖地表的土壤水分估算模型。完成的工作主要包括以下部分:（1）利用两种常用的半经验模型（比值方法、水云模型（Water Cloud Model,WCM））表征植被的散射特征,分离植被散射贡献,然后基于有效粗糙度参数耦合校正的积分方程模型（Calibrated Integrated Equation Model,CIEM）,构建了基于半经验模型与有效粗糙度的土壤水分反演方法。CIEM用于模拟裸土后向散射系数,初始参考入射角设为30°。叶面积指数（Leaf Area Index,LAI）、雷达植被指数（Radar Vegetation Index,RVI）和归一化植被指数（Normalized Difference Vegetation Index,NDVI）分别用于参数化半经验模型。在半经验模型估算的裸土后向散射系数与有效粗糙度参数基础上,土壤水分可以由CIEM构建的查找表反演得到。结果表明:有效粗糙度和合适的参考入射角可以有效改善模型的估算精度。基于NDVI参数化比值方法和WCM时能获得最高的估算精度,土壤水分反演结果的决定系数（Coefficient of Determination,R~2）分别为0.68、0.66,均方根误差（Root Mean Square Error,RMSE）分别为4.15 vol.%、4.27 vol.%。（2）基于Freeman-Durden分解方法从原始SAR信号中分离植被散射贡献,得到表面散射分量,构建了基于极化SAR分解的土壤水分反演方法。首先利用H-A-Alpha分解和Freeman-Durden分解分析研究区散射机制,忽略掉占比较小的二次散射分量,然后使用不同的体散射矩阵分离体散射贡献,求得表面散射分量对应的后向散射系数,最后土壤水分可以由结合了有效粗糙度参数的CIEM和Dubois模型通过进一步建立查找表反演获得。结果表明:基于Dubois模型的估算精度总体优于CIEM,R~2和RMSE分别为0.63和5.16 vol.%,基于CIEM估算结果的R~2和RMSE分别为0.53和5.62 vol.%。（3）利用多种极化分解方法从原始SAR影像中提取多种极化特征参数扩充SAR数据特征空间,结合支持向量机（Support Vector Machine,SVM）、梯度提升树（Gradient Boosting Regression Tree,GBRT）、随机森林（Random Forest,RF）与三种特征选择方法,分别基于相关系数、SVM递归特征消除（SVM Recursive Feature Elimination,SVM-RFE）、RF因子重要性,构建基于机器学习的土壤水分估算模型。研究结果表明:基于RF因子重要性和SVM-RFE的特征选择方法是有效的,模型使用少量特征能达到最佳估算精度。对三种模型的特征采用RF特征重要性进行筛选后均实现了最佳的土壤水分估算,并且RF模型的估算精度最高,R~2和RMSE分别为0.79和4.03 vol.%。