土壤数字制图（DSM）作为计算机与地理信息技术在土壤科学的交叉研究领域,正在深刻改变科学家制作土壤图的方式,从而为资源与环境系统模拟提供了更为精细的基础资料。然而,目前常用的地理统计模型和机器学习的制图方法仅使用土壤采样点观测值与对应协变量进行空间建模与制图,难以考虑采样点周围协变量及其上下文信息,从而限制了数字土壤制图精度的进一步提高。近年来,深度学习中卷积神经网络通过卷积与池化可以充分利用采样点周围信息的方法,为土壤数字制图提供了新的机遇。本研究以土壤有机质（SOM）数字制图为例,提出了一种基于深度残差网络数据驱动的土壤有机质制图模型,称为SOM-Res Net。该模型使用环境协变量的局部表示作为输入,通过优化目标函数发现土壤的观测变量与相邻协变量像素值之间的空间关系。所提出的模型将三维图像堆栈作为数据集,提出适合土壤数据的数据增强方法减少模型过拟合,通过残差网络减少了训练过程中信息完整性被破坏等问题,降低了预测的不确定性。研究将提出的SOM-Res Net模型与机器学习算法--随机森林（RF）进行了比较,使用新乡土壤数据建立了一个训练集（80%）和一个测试集（20%）来测试两个模型。结果显示,SOM-Res Net在均方根误差（RMSE）和决定系数（R~2）方面都优于随机森林。训练后的SOM-Res Net被用于中国平原地形的新乡地区SOM预测。预测制图可以被认为是对SOM分布的空间变化的准确反映。考虑到现阶段土壤制图中深度学习算法在三通道RGB影像数据集中表现较好,从环境变量角度选择协变量,存在一些文本形式的协变量被放弃选取。原因是在多通道影像数据集中模型会增加大量可用内核数量,减慢训练时间,产生更多的噪声。本研究提出了一个基于多模态的特征级数据融合的深度学习算法Multimodal-CNN模型,该算法展现了跨多种模态学习特征以改变单一模态的特征学习的能力。该研究在多模态数据融合和深度学习框架内评估了基于多模态协变量的数据融合能力。研究表明,在深度学习框架内使用多模态数据融合可以提供相对较好的预测精度,是多模态深度学习在土壤数字制图研究中新的拓展。本文提出的方法有望促进土壤数字制图研究的进一步发展,具有很好的理论研究和实际应用前景。