针对基于多光谱遥感影像的矿区土壤重金属含量估算精度不高的问题,本文以陕西省大西沟铁矿区为研究区,以Landsat8/OLI影像光谱波段提取的光谱指数、DEM以及实测土壤样本理化分析数据为数据源,通过对土壤重金属和植被以及地形之间的相关性分析,构建了可以间接反映土壤重金属空间分布的影响因子集,建立了遗传算法(GA)优化的BP神经网络模型,并选取80%的样本数据对模型进行训练,实现了2017年研究区土壤中铜、铅、砷三种重金属含量的空间估算。进而,针对多期重金属监测时训练样本获取成本高的问题,基于2017年建立的GA-BP网络模型,将其GA-BP模型的参数选择性迁移到2019年研究区土壤重金属估算任务中,构建了基于参数迁移学习的BP神经网络模型,实现了2019年研究区土壤重金属含量估算。经过以上研究,得出以下结论:(1)综合利用Landsat8影像的光谱反射率因子、光谱指数因子及地形因子建立了GA-BP网络模型,验证了该模型对2017年研究区土壤中铜、铅、砷三种重金属元素含量进行估算是可行的,其中,铜和铅元素的估算精度相对较高。(2)利用剩余20%的检验数据对多元线性模型和GA-BP神经网络模型估算误差进行对比分析,结果表明:本文建立的GA-BP模型对2017年研究区铜、铅、砷三种元素估算的均方根误差(RMSE)比多元线性模型的RMSE值有大幅度的降低。这也表明:与其它常用方法相比,GA-BP模型对三种元素的估算精度有较大改善。(3)根据2017年土壤三种重金属含量空间估算结果可知:研究区内部分区域土壤中铜、铅、砷三种金属含量超出当地的国家统计数据中最大值,而土壤中铜和砷元素含量值都超出了该背景值的平均值,这表明该地区土壤中这三种重金属的含量有不断增加的趋势。并且三种重金属主要集中分布在开采区、矿渣堆放区以及道路两侧以及坡底,这一结论与野外实地调查结果一致,同时也验证了利用GA-BP神经网络模型估算研究区土壤重金属含量的可行性和有效性。(4)通过基于参数迁移学习的GA-BP模型可实现将2017年源域中GA-BP模型的参数选择性迁移到同一地区不同时相的目标域中,然后结合利用目标域的较少的土壤样本数据来对目标域中土壤重金属含量进行估算,并和传统的未利用迁移学习的神经网络模型进行精度对比,验证了其可行性,并减少了野外土壤样本数据获取成本。