土壤是人类生存十分重要自然资源之一,与人们生活的诸多方面息息相关。传统的土壤水分监测多以点测量为主,其测量过程耗费大量的劳动力和劳动时间,工作效率较低并且大多会对土壤原始结构产生不同程度的破坏,不利于在农田等植被覆盖较多的土壤中进行测量,使用星载、机载微波遥感数据存在空间与时间分辨率较低、监测精度较低、受天气、光照等自然因素与表层植被覆盖情况影响较大等不足。随着精准农业精准灌溉技术的发展,使用近地低空遥感方法可以在不接触、不破坏土壤原始结构的同时快速高效精准的实现农田土壤水分监测任务。本文采用低空扫描方法结合超宽带雷达实现对于农田表层土壤的微波遥感数据采集,采用搭载多光谱相机的无人机获取目标农田的多光谱遥感图像,融合多源遥感数据实现植被覆盖农田表层土壤水分监测任务。主要研究内容及结论如下:（1）融合多源遥感数据并采用支持向量机（Support Vector Machines,SVM）模型实现了表层土壤水分区间预测。研究表明当模型输入只采用雷达回波数据时,所构建的SVM分类模型的总体精度达到了95.59%,模型的Kappa系数达到了0.9492。当融合多光谱数据作为模型特征输入后,训练的SVM模型预测效果得到了提高,其中分类总体精度提升至98.09%,Kappa系数提升至0.9780。（2）提出了一种卷积神经网络回归模型（Convolutional Neural Networks regression,CNNR）实现农田表层土壤水分反演问题。使用传统的机器学习回归模型广义回归神经网络（Generalized Regression Neural Network,GRNN）和支持向量回归（Support vector regression,SVR）进行了比较分析。结果表明,选用5个时域特征加3个植被指数特征作为回归预测模型特征输入时,所构建的CNNR模型R~2为0.9168,RMSE为0.0089cm~3/cm~3,RPD为3.0201,是最优的土壤水分回归预测模型。三种模型引入多光谱植被指数信息后,模型预测精度均有明显提升,证明了融合多光谱遥感数据可减少田间植被覆盖对于雷达回波信号的干扰,提高土壤水分预测模型的准确性。（3）给测试集信号加入高斯白噪声对模型进行噪声鲁棒性分析。讨论不同模型在不同分贝的噪声情况下的预测精度,比较各个土壤水分监测模型的预测能力差异。实验结果表明在信噪比为0-30d B时,CNNR模型始终拥有最高的R~2,较高的RPD与较低的RMSE,在三种模型中拥有最优的噪声鲁棒性。