灌区作物种植信息和不同作物下的土壤水分状况是灌区进行合理灌溉和用水调度的基础,遥感技术为全面、快捷的获取上述信息提供了可能性。本文以Landsat 8卫星为数据源,以山西省临猗县回龙灌区为典型研究区,开展了灌区作物种植遥感监测与土壤水分反演方法研究,主要研究内容和结论如下:（1）利用2018年7月-2020年7月云量少于15%的Landsat 8影像构建归一化植被指数（Normalized Vegetation Index,NDVI）时间序列数据,通过Savitzky-Golay滤波算法和时间序列谐波分析法（Harmonic Analysis of Time Series,HANTS）对时序数据进行降噪处理,按照“耕地/园地/建筑用地”的分类标准,利用支持向量机算法和随机森林算法实现了灌区土地利用分类,并以生育期为划分依据进行夏玉米、冬小麦种植分布信息的提取。结果表明NDVI时间序列对回龙灌区三种土地利用类型均具有较好的区分性;S-G滤波的降噪效果优于HANTS滤波,与原始数据三种土地利用类型的平均决定系数为0.86,对较为复杂的耕地像元,S-G滤波结果与原始数据的决定系数为0.85,HANTS滤波结果与原始数据的决定系数为0.62;随机森林算法较支持向量机算法具有更高的分类精度,总体分类精度和Kappa系数分别为97.07%和0.924;作物种植分布信息提取结果中,两种作物不一致区分别占总种植区域的1.21%、2.75%,以生育期为划分依据可实现作物种植分布信息的提取。（2）利用2019年7月-12月的有效影像计算垂直干旱指数（Perpendicular Dryness Index,PDI）和温度植被干旱指数（Temperature Vegetation Dryness Index,TVDI）,与0-20 cm实测土壤水分数据进行相关性分析,并分析PDI和TVDI反演精度的影响因素,结果表明植被覆盖度是影响PDI和TVDI反演精度的主要因素;基于混合像元二分模型思想,将NDVI作为权重分配给PDI和TVDI,提出了基于PDI和TVDI的土壤水分反演组合模型,对组合模型进行精度评价,结果显示组合模型的反演精度相较于单一模型得到了一定的提升,可用于区域土壤水分分布式监测。（3）基于实测土壤水分数据,通过线性模型和Biswas模型建立了浅层与深层土壤水分之间的相关关系,根据不同作物主要根系吸水深度,验证了不同深度下线性模型和Biswas模型的估算精度。结果显示利用浅层土壤水分估算深层土壤水分时,线性模型在不同深度下都表现出较高的精度;利用线性模型估算研究区不同深度下土壤水分,得到研究区不同土地利用方式下深层土壤水分空间分布图。需指出本研究反演的土壤水分是在获取卫星影像后实现了区域范围土壤水分点到面的空间分布,具有一定的滞后性,可基于水文模型,利用天气预报等气象因子对土壤水分预报进行进一步研究。