农业干旱阻碍了生态环境和农业系统的可持续性发展,精准实时地监测农业干旱是当下亟待解决的世界问题。传统的农业干旱监测研究主要以气象数据为主,虽然数据精度高,但在大面积干旱监测中限制较大,遥感的发展弥补了这一缺点,但遥感数据的精度不能满足需求,因此集成多源数据,利用先进的方法构建一种大面积、高精度的综合遥感干旱监测指数是发展趋势。机器学习方法能有效处理致旱因子间复杂的非线性问题,被广泛应用于旱情监测,但不同机器学习方法在干旱监测中具有区域差异性。因此,本文集成MODIS、TRMM、GLDAS和再分析等多源数据,选取了13个与干旱有关的变量,并与基于气象数据的3个月时间尺度的标准化降水蒸发指数（SPEI-3）进行相关性分析,根据相关性高低确定了输入模型的变量;在黄土高原干旱、半干旱和半湿润区域分别利用随机森林（RF）、支持向量机（SVM）和BP神经网络3种机器学习法训练模型,比较所有模型的精度和误差,找到不同区域中精度最高、误差最小的机器学习方法,利用该机器学习方法在不同区域中的训练模型得到能够监测黄土高原农业干旱的多变量综合干旱指数（MCDI）;选取基于气象数据的SPEI-3指数、帕默尔干旱指数（PDSI）和植被健康指数（VHI）对MCDI干旱指数进行有效性检验;最后利用MCDI干旱指数分析了黄土高原2003-2020年生长季农业干旱的时空变化趋势和特征。通过本文的研究得到以下主要结论:（1）比较干旱、半干旱和半湿润区域中利用3种机器学习方法训练得到模型的决定系数和误差发现,在3种区域中随机森林方法训练的模型决定系数最高且误差最小,表明与支持向量机和BP神经网络相比,随机森林方法更适合应用于黄土高原区域的农业干旱监测。同时发现3种机器学习方法在半湿润区域中的精度均比干旱和半干旱区域中好。（2）利用随机森林方法在不同区域中的训练模型得到整个研究区的MCDI干旱指数,选取基于气象数据的SPEI-3指数对MCDI干旱指数进行有效性检验结果表明,两者拥有较高的相关性,站点上的变化趋势也有较好的一致性,说明MCDI干旱指数能够应用于实际的旱情监测。对比MCDI、PDSI和VHI的干旱监测能力发现,MCDI在农业干旱监测中精度更高,在局部区域的干旱监测中更有优势。（3）黄土高原农业生长季干旱空间分布具有明显的区域性,2003-2020年研究区在山西与河南交界处及周边旱情随时间变化旱情不断加重,宁夏与甘肃周边旱情有所缓解。2003-2020年每年农业生长季MCDI均值整体随月尺度变化不断增大。4月MCDI均值2014年后呈下降趋势,5月整体较低,6-8月在2012年后显著上升,9-10月除个别年份均较高。（4）黄土高原农业生长季干旱发生频率在2003-2020年整体呈现先增长后减小再增长的趋势,干旱发生频率具有明显的区域性,干旱发生频率较高的区域在宁夏和内蒙古,整体上呈现从西北向东南递减的趋势。4月份重度干旱和极端干旱的占比最高,5-7月份以及9-10月份轻度干旱和中度干旱占比高,8月份轻度干旱和重度干旱占比较高。