土壤湿度即土壤水分含量,作为衡量地表干湿的重要指标,在水文地理和气象科学等领域也扮演了关键角色。传统的土壤湿度探测方法因为测量范围小、操作繁复和时空分辨率低等诸多问题,严重限制了长时间序列下大规模土壤湿度数据的采集。随着GNSS-IR（Global Navigation Satellites System Reflectometry Interferometry Reflectomentry,GNSS-IR）技术的快速发展,利用卫星信号之间干涉效应所产生的多路径误差监测地表环境因素已成为全球研究热点,具有精度高、连续性强、廉价易获取等优点。针对目前反演中存在信号中不相关噪声比例较高和单颗卫星反演异常跳变等问题,建立了一种结合变分模态分解（Variational Modal Decomposition,VMD）与支持向量回归机（Support Vector Regression Machine,SVRM）算法的精化模型,在对卫星信号进行降噪的同时进行了土壤湿度的预测。本文开展的主要研究内容如下:1、以GNSS系统目前发展现状为背景,较为系统的介绍了地基GNSS-IR反演土壤湿度的基本原理,包括多路径干涉原理和菲涅尔反射区特征和卫星反射轨迹图分布,分析了多路径效应与卫星信噪比之间的特性变化,阐述了反射信号的相位等特性变化与地面反射物的性质之间的相关性。2、研究了VMD和SVRM的基本数学原理,解释精化模型建立的基础理论与方法,系统介绍了与之相关的数学模型,包括信号的去噪和精准重构过程,精确的选择支持向量回归机核函数,利用核函数的特征更好地实现支持向量回归机的功能。3、本文下载并处理了P041测站2017年的观测文件,结合卫星反射点轨迹图与菲涅尔反射区的特点,筛选出有效卫星。经过筛选后的卫星反演结果整体变化趋势都与土壤湿度实际数值保持一致,但在极端天气情况下容易出现较大系统误差和异常跳变等缺陷。本文引入变分模态分解方法完成反射信号的获取,处理局部年积日反演误差较大的现象,结果表明VMD在信号降噪方面更为出色。4、围绕卫星信号中混杂着过多由于地面环境因素引起的噪声的问题,提出了一种基于VMD-SVRM的多星融合精化模型用于预测土壤湿度。实验结果表明VMD-SVRM模型决定系数达到了0.95,偏差也控制在了±0.02 cm~3/cm~3以内,对比精度最高的单星未改进模型提高了23.38%,反演精度得到了明显改善。证明VMD-SVRM精化模型用于土壤湿度反演是有效的,也为实现高精度土壤湿度监测提供了一种新方法。