土壤是土地之本，掌握土壤的理化属性状况是合理利用土地资源、切实保护耕地、有效实施精准农业管理和保证农业生产的重要前提。土壤水分是作物能够持续生存的基本前提与条件，是判断土壤肥力、评价土壤质量的关键指标之一。目前，随着遥感技术尤其是高光谱遥感的广泛应用，其光谱分辨率高、波段多的优势，为获取土壤水分含量指标提供了一种精确、快速、无损的手段与方法。但是，土壤高光谱反映了土壤理化属性的综合信息，如何在包含复杂属性的光谱中有效提取土壤水分的光谱特征及敏感信息，成为了当前亟待解决的问题。这对降低土壤水分估测模型的复杂度，提高估测模型的稳健性具有深刻的理论意义，对实现区域性或地块级的土壤水分快速监测具有重要的应用价值。　　因此，本文以湖北省潜江市竹根滩镇的潮土为研究对象，以地物光谱仪获取的实验室及野外实测土壤光谱信息为中心，对原始光谱数据进行连续统去除(CR)变换，分析不同含水量的土壤光谱特征及响应规律;利用变量投影重要性(VIP)方法、无信息变量消除(UVE)耦合竞争性自适应重加权采样(CARS)的方法、迭代和保留信息变量(IRIV)的方法，对土壤光谱进行变量优选，优选土壤水分敏感波段;将野外实测光谱进行离散小波变换(DWT)的去噪处理及CR光谱变换，基于实验室内获取的土壤水分敏感波段，利用线性的偏最小二乘回归(PLSR)方法及非线性的支持向量机(SVM)方法建立土壤含水量估测模型，引入全波段模型进行比较，确定性能最优的野外土壤含水量估测模型。研究结论如下:　　(1)通过在实验室内设计土壤风干过程试验，获取9组不同含水量梯度数据，观测其光谱变化特征发现，原始光谱反射曲线总体变化比较平稳，随土壤含水量的增加，光谱反射率呈现逐渐减小的趋势，在近红外波段反射率的绝对变化大于可见光波段。　　(2)基于连续统去除的方法，对实验室获取的原始光谱进行光谱变换后，光谱吸收特征凸显，在480 nm附近存在较强的光谱吸收谷，在420 nm、640 nm、720nm及920 nm附近存在较弱的光谱吸收谷。　　(3)采用3种算法特点不同的变量优选方法VIP、UVE-CARS、IRIV，对实验室获取的不同含水量梯度数据进行变量优选，得到最佳的变量优选方法为UVE-CARS，该方法获取的415～428nm、470～485nm、639～645nm、718～729nm、924～941为土壤水分敏感波段。　　(4)利用野外实测光谱数据，基于已获取的土壤水分敏感波段，建立估测野外土壤含水量的PLSR和SVM模型，引入全波段模型进行比较。得到基于土壤水分敏感波段的SVM模型综合性能最优，模型精度虽略低于全波段模型，但模型复杂度低、稳健性高;该模型建模集的R2、RMSE、MAE、ME分别为0.86、4.12％、3.49％、-1.03，验证集的R2、RMSE、MAE、ME、RPD分别为0.85、4.70％、4.03％、-1.13、2.23。该模型可实现野外区域级土壤水分状况的快速监测。　　本研究通过实验室试验，对土壤水分含量变化过程的响应规律进行分析，为获取土壤水分敏感波段提供精准、有效地试验条件;将已获取的土壤水分敏感波段应用于野外实测环境下土壤水分的估测，较高精度的估测结果验证了室内分析的必要性和有效性，完善了野外估测土壤水分的方法体系，为实现区域级野外土壤水分变化监测提供理论支撑。