土壤水分特征曲线是研究非饱和带土壤持水性能的基本特性曲线,主要用于描述土壤水数量与能量间的关系,对于研究土壤水分滞留和运移以及农业灌溉管理具有重要意义。本文以雅安市的紫色土为研究对象,基于土壤传递函数理论,通过土壤基本理化参数预测难以获取的土壤水分特征曲线模型参数,从而对土壤水分特征曲线进行预测。本文试验土壤样本覆盖雅安市4个典型区县（雨城区、汉源县、天全县、宝兴县）12个试验点140组实测土壤基本理化参数及水分特征曲线,建立了VanGenuechten模型参数和紫色土壤基本理化参数样本库。选取130组数据建立以紫色土壤理化参数为输入变量,以Van-Genuechten模型参数α和n为输出变量的多元非线性、BP神经网络及网格搜索和交叉验证-支持向量机预测模型,10组数据用于模型验证。主要的结果和结论如下:（1）通过机理分析和关联度分析得出土壤质地、干容重、有机质含量、全盐量是Van-Genuechten模型参数α和n的主要影响因素。基于单因素分析可知,各理化参数与Van-Genuechten模型参数间具有如下的函数关系:参数α和n与黏粒含量均呈线性关系、与粉粒含量分别呈指数关系和线性关系;参数α和n与土壤容重均呈对数关系;参数α和参数n与有机质含量分别呈指数关系和对数关系;参数α和n与无机盐含量均呈对数关系。（2）以紫土土壤基本理化参数为输入变量建立的Van-Genuechten模型参数的预测模型都是可行的。基于Van-Genuechten模型参数α和n所构建的非线性预测模型,其建模样本和验证样本的平均相对误差分别为11.03%、8.71%以及4.17%、5.22%,均小于12%。BP神经网络预测模型建模样本和验证样本的平均相对误差分别为3.73%、1.26%及2.57%、0.97%,均小于4%。网格搜索和交叉验证-支持向量机模型的建模样本和验证样本的平均相对误差分别为4.71%、3.61%及3.05%、2.47%,均小于5%。说明以上三种预测模型都可获取较精确的预报结果,均可用于雅安地区紫色土壤持水性能预报。（3）通过对比BP神经网络的预测效果最好。将根据建立的预测模型获取的参数的预测值带回到Van-Genuechten模型公式中,分别对预测值和实测值的体积含水率进行相对误差的计算及对比,发现三种预测模型综合相对误差分别为多元非线性2.453%、BP神经网络0.603%,网格搜索和交叉验证-支持向量机预测模型1.825%。以上结果说明BP神经网络是预报精度最高且效果最好的预报模型。对比发现,多元非线性预测模型形式最简单,验证样本的预测值可以通过简单的计算即可实现,其余两种预测模型的结构形式较为复杂,理解难度较高,需借助与其相关的算法和程序才能准确获取验证样本的预测值。但就预报精确度而言,BP神经网络预测模型的精确度在三者之中较高,预测效果较好。因此,预报模型的选取可以根据实际情况决定。本文所构建的三种预测模型,均可为雅安地区获取紫色土水分特征曲线提供了实例支撑和理论方法。从模型预报精度及稳定性出发推荐BP神经网络预报模型完成对紫色土壤持水能力的准确获取。综上所述,本文基于土壤传递函数理论建立的三种Van-Genuechten模型参数α、n的预测模型,不仅可以补充土壤传递函数相关理论,还为实际农业工作者获取土壤水分特征曲线提供简便方法。然而,模型输入变量的选取存在不全面的问题,在今后研究中应进一步完善,以提高预报精度。