参考作物蒸散量（ETo）是农业水循环和水量平衡的重要组成部分。准确估算ETo对于农业水资源管理、作物需水量估算和灌溉优化调度都具有重要意义。联合国粮农组织（FAO）推荐的FAO-56 Penman-Monteith模型被认为是计算ETo的标准模型,能够得准确估算ETo。然而,许多地区缺乏该公式所需的完整气象数据,导致其应用受到很大限制。为了探究在有限气象数据输入条件下替代FAO-56 Penman-Monteith模型的ETo估算方法,本文利用我国63个具有辐射观测值气象站点1991-2017年的逐日气象数据,以FAO-56 Penman-Monteith模型计算的ETo作为标准值,比较了7种不同机器学习模型在7种输入气象变量组合下的ETo估算精度。然后,在全国696个气象站点,建立3种基于有限气象要素输入组合的机器学习ETo估算模型,并与相应输入的ETo经验估算模型进行对比。最后,基于CMIP6的27种GCMs和两种排放情景（SSP245和SSP585）的未来气象数据,分析了我国大陆地区未来696个气象站点的气象要素和ETo的空间分布特征。研究得到如下主要结论:（1）气象要素Rs、Tmax和Ra与ETo有较强的相关性,随着输入气象要素数量的减少,机器学习模型的ETo估算精度降低。气象要素输入组合为Tmax+Tmin+U2+RH+Rs时的ETo估算精度最佳,其次是Tmax+Tmin+U2+RH+Ra输入组合,仅有Tmax+Tmin+Ra作为输入变量时的ETo估算精度最低。（2）在利用7种机器学习模型（RF,SVM,XGBoost,Light GBM,MLP,MLR,以及SG.MLR）估算ETo时,机器学习模型的估算精度远高于多元线性回归方法,尤其是SG.MLR、SVM和MLP模型的表现更好。其中,通过Stacking集成方法的SG.MLR模型比传统单个机器学习模型的平均R~2增加0.28%-0.87%;RMSE、MAE、NRMSE值分别降低3.29%-12.81%,2.40%-13.57%和3.28%-12.75%。这表明Stacking集成方法在提高机器学习模型的预测性能上具有更大的潜力。（3）机器学习模型要比相应的传统经验模型具有更高的ETo估算精度。经验模型中仅有Lobit模型和Abtew模型在部分地区有较好的ETo估算性能。在中国大陆4个不同气候区中,亚热带季风气候区（SMZ）和高原山地气候区（MPZ）以及温带季风气候区（TMZ）的估算精度总体高于温带大陆性气候区（TCZ）。机器学习模型估算的ETo年平均值与Penman-Monteith模型计算的结果非常接近,而经验模型通常会高估ETo值。因此,在缺少完整的气象资料条件下,推荐在不同的地区根据需要使用机器学习模型来估算我国的逐日ETo。（4）未来气候情景下,中国大陆地区的最高气温Tmax和最低气温Tmin均呈增加趋势,并且SSP585情景下的增加幅度大于SSP245情景。随着时间的推移,Tmax和Tmin的增加幅度也越来越大。太阳辐射Rs在MPZ和TCZ区域呈下降趋势;而在SMZ和TMZ区域呈上升趋势。降雨总体呈增加趋势,但增加的幅度在各区域存在明显差异,存在明显东高西低的特点。（5）未来我国4个不同气候区的ETo均有明显增加的趋势。从2040s到2090s的ETo增量也逐渐增加,在SSP585情景下2090s的ETo增量达到最大,尤其是SMZ和TCZ区域的ETo增量范围为200-400 mm year-1。在未来情景下,MPZ和TCZ区域的ETo增加幅度大于降雨增加幅度,而SMZ和TMZ区域的ETo增加幅度等于或略大于降雨增加幅度,这就会导致中国大陆干旱的地方越干旱,而湿润的地方越湿润。