随着工业化的快速发展和农药化肥的过量使用,大量有害重金属物质通过大气沉降和污水灌溉等方式进入土壤环境中。重金属污染因具有毒性、不易被微生物降解等特点,容易通过食物链在动植物和人体内累积,对农作物安全、生态环境和人类健康造成了严重的威胁。为此,寻求一种快速、无损的土壤重金属污染监测方法对土壤污染防治具有重要意义。然而遥感技术特别是高光谱遥感技术的发展,为实现对土壤重金属污染的大尺度的、快速监测提供了新的途径。针对目前采用统计分析法和机器学习法构建的土壤重金属高光谱模型存在精度低、普适性差等问题,本研究采用粒子群算法（PSO）优化的反向传播神经网络（BPNN）构建高光谱与土壤重金属含量之间的反演模型,模拟土壤重金属含量。以广东省95个土壤样品为研究对象,首先,采用室内化学分析方法测定了土壤样本中3种重金属元素（Cd、Hg、As）的含量,同时借助地物光谱仪采集了土壤样本的光谱数据;其次,将原始光谱进行光谱变换和双波段组合,并利用相关性分析和方差膨胀因子（VIF）提取最佳波段因子组合变量。第三,运用BPNN和PSO-BPNN方法分别建立土壤重金属光谱估算模型,并对两个方法构建的模型进行验证和对比;最后,将最优估算模型与环境一号遥感影像相结合进行土壤重金属含量的反演,得到研究区土壤重金属Cd含量的空间分布图。本文主要研究结论有如下:（1）研究区土壤重金属镉、汞和砷的平均值分别为0.174 mg·kg-1、0.132mg·kg-1和9.761 mg·kg-1,总体上没有超过重金属土壤环境标准值,而相应的最大值分别为0.570 mg·kg-1、0.310 mg·kg-1和68.600 mg·kg-1,均超出了国家规定的背景值。（2）土壤原始光谱反射率经不同形式的光谱变换后,相关性有明显提高,有效增强了土壤重金属的光谱信息。其中一阶微分和连续统去除两种变换形式对相关性的影响较突出,是一种有效的光谱指标;然而利用波段组合方法更能够显著提高光谱变量和重金属含量之间的相关性,相关系数都达到0.42以上。（3）本文利用VIF分析法可消除光谱变量间的多重共线性和信息冗余性问题,从而获取土壤重金属Cd、Hg、As的最佳光谱指标组合变量,分别为FD938.753*FD795.231,LG784.504/LG492.442;FD1373.48+7*FD430.21,LG2222.424-LG1212.22,7*RT2222.424-12*RT1212.22;FD2342.058/FD966.869,RT343.281/RT343.874,6*SD363.425-5*SD340.316。由此发现原始光谱波段均未出现在各土壤重金属元素的最佳光谱波段组合中,说明采用光谱变换后的特征波段参与模型构建的效果比利用原始光谱进行估算的效果要好。（4）将选取的最佳光谱波段组合变量分别与土壤重金属Cd、Hg、As含量依次建立BPNN和PSO-BPNN模型。结果发现利用PSO-BP神经网络法估测的重金属含量与实测值之间的决定系数均超过0.8,构建的模型具有较好的稳定性。而BP神经网络法估测Hg含量的R2仅为0.03,估测效果不好。同时,PSO-BP神经网络方法在验证集样本中估测Cd、Hg、As含量的平均相对误差分别为10.074%、10.909%、9.594%,相对均方根误差分别为12.037%、13.862%、11.121%,根据上述精度评价指标可表明PSO-BP神经网络构建的模型相比于BP神经网络模型具有更好的估测能力,可以作为一种估算土壤重金属含量的潜在建模方法。（5）本论文选用PSO-BPNN方法结合HSI影像反演了广东省部分范围内土壤重金属镉含量的空间分布。其相对均方根误差为32.064%,说明PSO-BPNN方法可以应用于估算基于样本点及区域尺度上的土壤重金属含量。