我国矿区土壤重金属污染较严重,获取土壤重金属污染的空间分布是十分必要的。随着遥感技术的发展,利用星载影像开展大范围土壤重金属污染调查与监测成为一种有效的手段。但是,利用国产星载高光谱影像进行土壤重金属反演的研究仍较少,且由于土壤重金属含量反演问题的复杂性,其反演精度有待提高。另一方面,由于重金属含量监测的周期性,如何利用历史数据减少土壤样本采集的成本,提高作业效率,也是需要研究的问题。因此,本文以陕西省大西沟多金属矿区为例,开展以下研究与实验:1.针对传统方法在矿区土壤重金属含量反演中精度不高的问题,本文提出了基于遗传算法特征选择的XGBoost重金属含量反演模型,并对比了不同的特征、特征选择方法、模型的组合的效果,验证了本文模型的有效性:以2019年国产高分五号卫星影像、实地采集的42个土壤重金属（铅、铜）样本为主要数据,以地形因子（DEM、坡度、坡向）、人类活动因子（到矿区的距离、到道路的距离）以及遥感影像光谱指数（NDVI、EVI、SAVI、CMR）为辅助数据,建立了不同光谱（原始光谱、连续统去除、光谱一阶导数、光谱二阶导数）及不同特征选择方法（遗传算法、基于Pearson相关系数的特征选择）下的偏最小二乘回归（PLSR）与极端梯度提升（XGBoost）反演模型,选取不同特征、特征选择方法、模型下的最佳组合。2.针对土壤重金属含量长期监测中样本获取成本高,作业效率低的问题,本文利用历史时期（2017年）的Landsat 8多光谱影像以及采集的15个土壤Cu元素含量样本数据,提出了基于实例迁移学习（Two stage Tr Adaboost.R2）的土壤重金属Cu含量反演模型,探索同一矿区、不同时期样本的可迁移性。本文主要得出以下结论:1.基于高光谱影像的反演研究中,传统的PLSR线性模型存在严重的过拟合问题,导致反演精度较低,而XGBoost模型复杂度高,可以有效描述土壤重金属含量与光谱的非线性关系,精度有所改善,其中,本文提出的基于遗传算法特征选择的XGBoost重金属含量反演模型表现最好,Pb元素最优模型测试集R~2为0.79,RMSE为2.71 mg·kg-1,RPD为1.97,Cu元素最优模型测试集R~2为0.71,RMSE为6.71 mg·kg-1,RPD为1.72,均达到了近似模型标准。2.与基于Pearson相关系数的特征选择相比,遗传算法特征选择方法更有效,可以提取光谱微弱信息,在保证精度的同时实现光谱降维。另一方面,利用XGBoost特征重要性排序可以很好地揭示土壤重金属含量反演模型的机理:到矿区的距离、DEM这两个特征的重要性相对较高,Cu、Pb的特征光谱波段基本位于铁氧化物特征波段（450nm）、有机质特征波段（2200nm）附近,该特征波段与前人研究基本一致,验证了本文方法的有效性。3.基于Two stage Tr Adaboost.R2算法可以选出历史样本中的有效样本,实现了历史土壤重金属样本的迁移,减少了新时期反演任务的采样成本,同时确保了较高的预测精度。最后,对本文反演模型生成的土壤重金属含量空间分布图进行分析,表明:研究区受到轻度的Pb污染,而Cu污染较严重;此外,这两种土壤重金属含量高的区域分布在矿区周边、道路两侧,这一结论与实地调查结果基本相符。