为了准确高效估算矿区土地土壤重金属元素的含量，获取土壤中重金属污染情况，并对金属含量进行空间分布成图，本文利用Landsat8卫星OLI影像各波段光谱反射率提取的8种光谱指数，并综合3种地形因素以及实地采集的45个土壤样本所实测的金属元素的含量进行相关性分析。先通过相关系数的大小选取土壤重金属含量影响因子分别对铜、铅、砷三种元素进行简单建模；再基于M5模型树算法建立一个分段多元线性回归模型，根据未参与建模的20%样本点，进行两种建模方法的对比评价，最终选取基于M5模型树算法的分段多元线性回归模型进行三种土壤重金属的含量空间分布的反演。主要研究成果如下：　　①地形因素对三种金属元素含量的分布存在影响，因此在建模时需考虑地形因素，且三种金属元素含量的分布情况与遥感数据的相关性，存在着明显的季节敏感性。　　②采用Landsat8影像光谱信息和其他因子来建立的分段多元线性回归模型可以有效的预测土壤中重金属砷、铜、铅含量，其中铜的预测效果最优。　　③综合影像光谱指数以及地形因素可以改善模型预测精度。本文中先后采用遥感影像各波段光谱反射率单独建模、结合光谱指数建模、综合地形因素建模这三种建模方式的精度是递增的，表明在该研究区域，基于Landsat8影像估算土壤重金属含量可以通过引入光谱指数以及地形因素建模来提高结果精度。波段光谱反射率单独建模、结合光谱指数建模、综合地形因素建模三类预测模型均能达到显著相关(P<0.05)，但通过对比R2值、P值、平均误差、总均方根误差及平均相对误差值，总体上后者优于前者。三种金属成分综合预测模型R2比利用波段光谱反射率的预测模型分别提高了40.1%、7.6%、16.6%，表明加入光谱指数以及地形因素能有效改善预测模型精度。　　④基于M5模型树所建立的分段线性多元回归模型比普通的多元回归模型更显优势。选取均方根误差（RMSE）作为参考依据，经计算可以得出，在该研究区域内针对铜、铅、砷三种金属，基于M5模型树的预测模型比简单回归模型分别提高了27.3%、24.6%、20.9%。结果表明，基于M5模型树的回归模型整体上优于普通的线性回归模型能够更好的预测三种金属在土壤内的空间分布情况。　　⑤根据三种金属回归预测模型所做的三种金属含量估算值空间分布图可以得出，三种金属的含量空间分布的最大值均在中部的开采区，以及山谷中。根据实地调查，该研究区域的道路以运送矿石为主，而道路主要集中在山谷之中，居民也主要生活在山谷中，主要的溪流也在山谷中。预测结果与实际情况基本相符。