土壤湿度是水循环和地表能量循环的重要组成部分,同时也是反映土地退化与表征地表干旱信息的重要指标,关系到植被的长势、作物的生长状况与粮食的生产,同时也是水文、气候、农业、生态等领域的重要参数。随着遥感技术的发展,出现了一系列被动微波土壤湿度产品,这一系列的被动微波遥感土壤湿度产品提供了大面积范围的土壤湿度分布状况,为研究全球范围或大区域提供了重要的基础数据。但这些土壤湿度产品的空间分辨率一般为25～40 km,难以满足水文模型及其它陆面蒸散模型等对土壤湿度分辨率的需求,因此,需要对被动微波AMSR-E进行降尺度研究,以获取高的空间分辨率的土壤湿度数据。利用SPEI干旱指数对研究区的干旱时空变化进行了研究,并采用温度植被干旱指数（TVDI）分析了长江中下游流域的区域面积上的干旱空间变化,且探讨了SPEI和TVDI的相关性,为遥感指数监测与基于气象站点的干旱指数两者的结合提供了新的途径。论文主要开展的研究工作及结论如下:（1）表观热惯量法反演土壤湿度简单方便,但只适合于裸土和低植被覆盖区域,对于高植被覆盖区域用此方法来反演土壤湿度的精度相对较差,而植被供水指数法则是适合于高植被覆盖度的区域,应用于低植被覆盖区域时,它会夸大植被的影响作用。基于此,本文在分析表观热惯量模型和植被供水指数法反演土壤湿度含量的优缺点的基础上,构建了集合土壤湿度反演模型,通过合理确定NDVI植被阈值分区的方法,反演长江中下游流域土壤相对湿度。结果表明:基于ATI和VSWI的集合土壤湿度反演模型结合两种模型的优点,实现了优势互补,提高土壤相对湿度反演的精度。（2）在土壤湿度降尺度过程中,有两个关键的问题:一是降尺度方法的选择;二是土壤湿度的影响因素地表变量的确定。在降尺度方法上,本文尝试将机器学习与数据挖掘算法引入到模型中,并对比分析了随机森林模型与Cubist算法两种模型的优劣,以确定最适用于长江中下游流域的土壤湿度降尺度方法。在地表变量的确定中,目前常用的是NDVI植被指数还有DEM、地表温度,关于反照度albedo、蒸散发ET等变量的应用较少,本文将这些对土壤湿度影响较大的因素进行了综合考虑,最终确定降尺度过程中的地表变量为经度、纬度、高程、坡度、NDVI、LST＿D、LST＿N、albedo、ET、土地覆盖类型LC和坡向Aspect。关于降尺度过程中以月为单位进行降尺度的研究比较多,本文基于MODIS影像数据,实现了16天时间分辨率的降尺度过程。另外,在Cubist算法的降尺度结果中,由于经度与纬度与土壤湿度的线性关系太明显,导致降尺度结果的区域块性特征太明显,也就是说在每个规则与规则的连接处不平滑,因此,在Cubist算法中,我们去除了经度与纬度这两个地表变量。结果表明:基于随机森林的降尺度方法的R~2比Cubist算法的值高了0.0161,RMSE值减少了0.0006,MAE值降低了0.0014。通过对两种降尺度方法的精度进行检验,说明在长江中下游流域随机森林模型才是最适合的AMSR-E土壤湿度降尺度方法,这也为获取高空间分辨率的土壤湿度数据提供了理论基础。（3）近年来干旱在中国频发且影响不断加剧,因此监测干旱对气候变化、农业生产都有重要意义。基于1961-2013年53年的气象资料,然后利用SPEI定量地分析了长江中下游流域不同时间尺度（1、3、6和12个月）的干旱发生的时空变化特征和强度;并采用温度植被干旱指数（TVDI）分析了长江中下游流域的区域面积上的干旱空间变化,且探讨了SPEI和TVDI的相关性,然后将干旱指数对土壤湿度的影响进行了分析。结果表明:SPEI-1和SPEI-3反映的是短期的干旱过程,SPEI-6和SPEI-12反映的是中长期的干旱过程,不同时间尺度SPEI的值波动规律不同,尺度越小,波动的幅度就越大,根据SPEI值的时间尺度的干旱发生状况可以看出,在年尺度上,发生干旱的年份是:1963、1966、1971、1978、1979、1986、2001、2011、2013共9年,与实际情况较为一致。另外,根据SPEI月尺度与遥感干旱监测方法进行相关性研究发现,两者之间呈现负相关关系,即TVDI越小,SPEI-3的值越大,干旱程度越轻;TVDI越大,SPEI-3的值越小,干旱程度越严重,且通过了显著性检验,说明SPEI-3与TVDI的相关性较大,也为进一步研究气象干旱指数与遥感监测两者结合之间提供了思路。