土壤湿度作为反映地表状况的一个重要物理量,不仅能够体现土地的干旱情况,还是农作物水分供应的决定因素,被精准农业、水循环等众多领域视为研究基础和关注热点。因此,大面积监测地表土壤水分,实时、准确地获取土壤墒情信息具有重要的科学价值和现实意义。相对于传统的土壤湿度测定方法,用于土壤水分反演的光学遥感和微波遥感法具有大面积实时观测、效率高、成本低等优势,在区域乃至全球土壤水分监测中得到广泛应用。然而,由于地表植被覆盖和土壤粗糙度等众多因素影响,现有的反演模型和算法普遍存在精度和可靠性低,无法满足高寒冻土和温带植被覆盖区等不同土质环境的普适性监测应用需求,其中,尤以季节性冻土地区土壤融冻变化监测最具挑战性。为此,本文一方面基于光学遥感土壤湿度反演理论的系统研究,提出普适性的光学遥感土壤湿度反演数据融合模型,克服仅依靠单一光学模型开展反演的精度与可靠性局限,重点解决季节性冻土区土壤融冻过程监测的低敏感度难题。该模型分别将应用较为广泛的ATI、MPDI以及TVDI三种单一光学模型反演的一年期时序结果引入熵值法衡量不确定度,评价各反演模型总体精度,以此为基础反向定权,将三种反演结果加权融合得到最优值,以期提高反演精度和可靠性,随后利用该方法在那曲地区进行了冻土区季节性冻融过程监测研究。实验结果表明:（1）ATI、MPDI以及TVDI模型反演结果与真实值相关性分别为0.576、0.647、0.724,熵值法融合结果精度最高,其相关性达到0.865。（2）降雨会导致日最低温度波动效应明显,严重影响传统依靠地表温度刻画冻融过程时间窗口的准确性。（3）熵值融合法土壤湿度反演结果与传统温度映射冻融过程具有良好的趋势一致性,能有效监测季节性冻土融冻过程。该方法将为季节性冻土冻融过程监测等领域研究提供一种有效的技术手段。另一方面,本文深入开展基于深度学习的微波遥感土壤湿度反演研究,以期实现相关算法和模型在地表植被覆盖复杂的温带区具有更强的普适性和鲁棒性。考虑到估算植被效应的多种植被指数均由红光和近红外波段组合而成,而多极化SAR能提供土壤粗糙度信息,同时,卷积神经网络（Convolutional Neural Network,CNN）能有效模拟具有相关物理意义的特征参数这一优势,本文联合SAR影像与多光谱数据数据源,提出了一种结合改进的卷积神经网络实施广域土壤湿度反演的方法。该方法分别采用1×1、2×1、3×1尺寸的卷积核对VV、VH极化SAR影像和原始红光、近红外波段数据进行一维卷积运算,自适应提取能反映测区土壤湿度时空差异的高级特征维,实现多极化SAR与多光谱数据协同反演广域土壤湿度。此外,为了避免特征信息减少导致反演精度降低,保证提取的特征信息全部参与反演,在模型中去除了传统CNN中的池化层。最后选取位于四川盆地中部的实验区开展模型精度和适用性验证研究,实验结果表明:（1）在边长超过100km的广域范围内,改进的CNN模型反演结果与中国气象局提供的高精度土壤湿度数据相关性达到0.934,其误差为随机偏差,RMSE为仅为1.45%。（2）与传统的人工神经网络（Artificial Neural Network,ANN）方法相比,本文方法反演结果各项精度指标均为最优,该方法具有更高的反演精度、普适性和广域泛化能力,在地表植被覆盖复杂的广域温带区土壤湿度反演应用中效果较好,能为精准农业、旱涝灾害等相关研究提供一定的技术支撑。