土壤水分的时空变化监测对于农林业可持续发展、水资源管理以及干旱监测至关重要。土壤水分的时间变异性为作物需水量提供良好信息,有助于改善农业水资源管理。传统的人工单点实测法获取的土壤水分数据不仅耗费人力财力,且在区域上不具有代表性、实时性差。随着遥感技术的发展与应用,被动微波遥感能够提供全天时、全天候,高时间分辨率的土壤水分数据,但空间分辨率相对较低（几千米到几十千米）,对大区域的干旱监测及水资源管理具有一定的参考意义,不能满足农业灌溉和水资源管理等精细和中等尺度的应用。为了解决土壤水分遥感产品空间上数据问题,目前利用多源数据对其进行降尺度以生成高空间分辨率的土壤水分数据集已成为目前国内外学者研究热点之一。本文选取闪电河流域作为研究区,基于谷歌地球引擎（GEE）云平台,利用该平台提供的10km SMAP被动微波土壤水分数据及1km分辨率的其他遥感数据,在分析特征参数与土壤水分相关性的基础上,选择了NDVI、EVI、LAI、LST、ET、ATI、DNWI作为人工神将网络（ANN）、多元线性回归（MLR）、随机森林（RF）、支持向量机（SVM）机器学习方法土壤水分降尺度研究的输入变量,并利用闪电河流域“闪电河流域水循环和能量平衡遥感综合试验”的站点实测土壤水分数据对降尺度结果进行了验证,得到如下结论:（1）分析夏季6、7、8月份地表温度（LST）、归一化植被指数（NDVI）、归一化水体指数（NDWI）、高程、坡向等11个地表参数与土壤水分产品的相关性,结果表明相关性由高至低依次为植被覆盖＞气象＞地形因素,NDVI（R=0.600）、ET（R=0.574）、LST（R=-0.468）、坡向（R=0.44）、ATI（R=0.459）表现出良好的相关性,作为机器学习降尺度方法研究的输入变量。（2）基于传统的回归模型:全局多元非线性回归模型和局部空间权重分解模型降尺度土壤水分产品经实测站点数据验证,得出两种模型在网络尺度上的R、RMSE分别为0.362、0.139m~3/m~3,0.507、0.102m~3/m~3;点尺度上的R、RMSE分别为0.342、0.067m~3/m~3,0.500、0.038m~3/m~3,两种模型在土壤水分降尺度研究中均能达到提高空间分辨率的目的,同时降尺度之后的土壤水分更接近实测值,且在研究区内空间权重分解模型表现要优于多元非线性回归。（3）对比多元线性回归（MLR）、随机森林（RF）、人工神经网络（ANN）和支持向量机（SVM）四种不同的机器学习算法构建降尺度模型,结果表明:MLR模型具有最好的建模精度,三种不同的辅助数据组合降尺度结果:R分别为0.56、0.58、0.53;RMSE分别为3.654mm、3.628mm、3.679mm,但其算法的鲁棒性有待进一步提高;RF次之,同样具有良好的土壤水分降尺度能力,在RF模型计算的特征重要指数显示LST、DNVI占主导地位。而ANN和SVM方法在降尺度过程中具有相近的降尺度精度（R≈0.35）,四种机器学习降尺度算法都存在潮湿区域的低估和干燥区域的高估,RF模型的高估现象最为明显。通过三种不同辅助数据组合结果表明:地形因素的加入能够有效地提高土壤水分降尺度精度。