土壤水分作为陆气水循环中的重要组成部分,其不仅是气象研究、农业灌溉、干旱监测与预报等的重要参考指标,同时作为石漠化地区重要的水资源,还决定着石漠化地区的生态恢复与重建。因此,开展石漠化地区土壤水分反演研究,对贵州石漠化的综合治理与生态恢复具有重要意义。利用遥感技术可以实现大区域、高时空分辨率、长期动态的土壤水分监测,能克服传统土壤水分监测手段时空分辨率受限、耗时耗力和成本较高等缺陷。但光学遥感易受云层覆盖和天气的影响,不利于长期连续的土壤水分监测;而主动微波遥感具有不受天气影响、强穿透性、高时空分辨率等优点。因此,结合以上两种遥感数据的优势,学者们先后建立了大量的全球性和区域性土壤水分反演模型,但对于贵州喀斯特石漠化地区的研究仍十分的匮乏。有鉴于此,本文以贵州石漠化地区为研究区,基于Sentinel-1 SAR和Landsat-8数据,分别提取后向散射系数和植被指数、石漠化信息等作为模型参数,利用线性回归分析、广义回归神经网络和遗传算法优化的BP神经网络建立了贵州石漠化地区土壤水分反演模型,并借助地面实测数据,对模型反演精度进行了验证与评价。论文主要成果如下:（1）在相同极化方式下,NDWI相较于NDVI能更好地从总后向散射中分离出植被散射部分,更适合土壤水分的反演;在不同极化方式下,Sentinel-1 SAR VV极化数据的反演精度优于VH极化数据。对比四种组合方式发现,基于归一化差异水分指数（NDWI）的Sentinel-1 SAR VV极化数据建立的线性模型反演效果最佳,更适用于贵州石漠化地区土壤水分的反演,模型反演的土壤水分与实测值之间的决定系数为0.40,均方根误差为6.84%,无偏均方根误差为6.25%,偏差为-2.80%。（2）基于广义回归神经网络和遗传算法优化的BP神经网络,输入雷达后向散射系数、石漠化指标、植被指数以及地表温度进行模型训练,分别构建了GRNN、GA-BP土壤水分反演模型。试验结果表明,顾及石漠化指标（植被覆盖度和岩石裸露率）的神经网络模型具有更高的土壤水分反演精度。（3）线性模型、GRNN模型和GA-BP模型在不同方案（组合）下的反演精度评价结果表明:GA-BP模型的反演效果最优,GRNN模型次之,线性模型反演效果最差。其中,顾及石漠化因素的GA-BP模型精度最高,更加适合于贵州石漠化地区的土壤水分的反演,模型反演的土壤水分与实测值之间的决定系数达到0.72,均方根误差仅为4.38%,无偏均方根误差为4.29%,偏差为-0.84%。（4）分析了土壤水分与地表环境因子间的关系,结果表明:当土壤水分等级为“特干燥”时,石漠化发生率高达56.91%。土壤类型方面,新积土和潮土的干燥发生率最高,棕壤发生率最低。对于地形因素而言,土壤水分含量随着坡度的上升而减少,“特干燥”、“非常干燥”逐渐成为优势地位;而对高程和坡向而言,由于土壤水分受到地形、植被、气候以及人为等因素的综合影响,情况复杂,土壤水分与以上二者无明显规律。