土壤含水量是农业干旱预测和作物长势监测的关键因素。结合可见光/近红外/热红外卫星遥感数据与地面实测数据的土壤含水量估算模型相比基于点的实地测量土壤含水量方法而言,能更好表达土壤含水量细节和空间分布。然而,大多数估算模型的土壤含水量反演精度不高,这很大程度上依赖于训练样本的数量以及回归模型对变量和实测土壤含水量间复杂非线性关系表征能力,而传统统计回归方法和机器学习方法表征能力不足,不适合对大规模样本数据进行回归预测(例如国家尺度)。本论文针对以上问题,开展了以下研究:首先,针对多光谱卫星影像间接精准估算耕地表层土壤含水量的难题,将经典的Universal Triangle方法进行改进并提出基于扩展三角法并顾及农作物生长周期的耕地表层土壤含水量估算方法。将Universal Triangle方法中的两个陆表特征参量—植被覆盖度和地表温度扩展至三个陆表特征参量—植被覆盖度、地表温度和地表反照率;顾及到耕地内农作物生长期对土壤含水量的影响,按研究区域主要农作物夏玉米的五个生长期—播种期、拔苗期、成长期、成熟期和收割期,将2006～2010年的覆盖研究区域的基于MODIS(Moderate Resolution Imaging Spectroradiometer)数据的陆表参量—实测土壤含水量数据样本对划分成五组,分别构建玉米地表层土壤含水量的回归预测模型,估算河南省玉米地表层土壤含水量;利用2011～2012年实测土壤含水量数据进行检验,结果显示采用基于扩展三角法的五个生长期土壤含水量模型估算结果与实测土壤含水量的相关系数分别是0.73,0.67,0.66,0.74和0.63;结果优于只采用两个陆表特征参量的经典Universal Triangle方法的精度,同时优于2012年同期的大尺度微波遥感反演土壤含水量产品—SMOS-BEC 土壤含水量产品的精度。结果表明顾及农作物生长期的扩展三角方法可以解决多光谱气象卫星间接估算耕地表层土壤含水量的难题,能较准确的估算lkm空间分辨率的区域尺度耕地表层土壤含水量。其次,为高效估算中国耕地的表层土壤含水量,在扩展三角法基础上提出了基于深度学习的多陆表参量土壤含水量估算模型。首先构建深度神经网络,使用2000～2014年共十五年的MODIS产品数据作为作为网络的输入特征向量,包括植被覆盖率,归一化地表温度以及地表反照率。一共41888组样本,其中37888组样本用于模型训练,4000组样本用于模型检验。在模型训练过程中,调节隐含层数(Hiddens),神经元数(Neurons)以及迭代次数(Epochs)这3个神经网络参数进行模型训练,利用随机梯度下降法求取模型最优解,得到的最优土壤含水量估算模型的参数为Hiddens=10层,Neurons=500,Epochs=3000。模型检验结果为相关系数R2=0.8939,均方根误差MSE=0.0006,证明本文提出的模型在国家尺度上的土壤含水量估计上具有作为业务化产品应用的潜力。最后,顾及土壤含水量近实时业务化生产的需求,本文尝试直接联合卫星遥感表观反射率、辐射亮温数据和实测土壤含水量数据估算耕地表层土壤含水量。根据地表土壤含水量与表层土壤反射率的关系,本文选择MODIS二代卫星VIIRS 一级数据中相关的大气层顶反射率波段和红外波段共13个,用2012～2015年的VIIRS 0级裸数据计算得到10个波段的表观反射率数据和3个波段的辐射亮温数据,作为输入特征变量构建基于深度神经网络的土壤含水量估算模型。模型结果显示,真实性检验的偏相关系数(R2)最高达到了 0.9812,均方根误差(RMSE)仅0.0118,优于基于深度学习的多陆表特征参量土壤含水量估算模型的精度;同时优于同期的微波土壤含水量产品一SMAP(Soil Moisture Active Passive)主动雷达反演的地表土壤含水量产品,以及基于陆表模型的土壤含水量产品一GLDAS(Global Land Data Assimilation System)地表土壤含水量产品的精度。本方法具备推广至更丰富的多传感器联合估算土壤含水量的研究的潜力。