土壤水分是量化陆地及大气能量交换的关键参数。准确监测土壤湿度是实现农业稳产、高产的重要基础。研究监测大范围的土壤水分的方法在农业、水文以及气象等领域的应用意义重大。本文从利用GNSS-R技术探测土壤湿度的基础理论出发，开展了利用导航卫星的反射信号反演土壤湿度方法的研究。论文具体完成的研究工作和相关结论如下：
(1) 分析了双天线模式GNSS-R土壤湿度反演的原理，建立了土壤湿度—土壤介电常数—电磁波反射率的映射关系，并构建了双天线模式GNSS-R土壤湿度反演的解析模型和基于支持向量机的模型。设计了地基试验对这两个模型进行验证，试验中采集了北斗卫星导航系统的直射、反射信号，并使用烘干称重法测量了土壤湿度作为对比真值。北斗GEO卫星信号的数据处理结果显示：解析模型估算土壤湿度值与真值回归决定系数R2=0.748 9，均方根误差RMSE=0.03680 m3/m3；基于支持向量机的模型结果与真值R2为0.897 9，RMSE为0.014 93 m3/m3；由此可见基于支持向量机的模型相比解析模型R2提高了23.03%，RMSE减小了59.44%。
(2) 研究了地表粗糙度对反射信号的影响，构建了修正地表粗糙度影响的双天线模式GNSS-R土壤湿度反演的解析模型和基于人工神经网络的模型。建立仿真平台对不同粗糙度下的两个模型的反演精度进行分析，结果显示：在进行地表粗糙度影响修正之前，当地表均方根高度增加到0.010 m以上时，解析模型的均方根误差超过0.07 m3/m3，说明此时进行粗糙度补偿是必须的；小粗糙度情况下修正粗糙度影响的解析模型取得了良好的结果，但对于大粗糙度有一定局限性。在均方根高度大于0.025 m时，进行土壤粗糙度修正前，人工神经网络模型精度比解析模型提高了36.83%~72.36%。进行修正后，人工神经网络模型的精度比解析模型提高了42.86%~54.40%。人工神经网络模型在修正前后取得了相近的精度，无修正的人工神经网络模型精度比有修正的解析模型精度仍提高了35.83%~53.48%。
(3) 针对裸露地表情况下的单天线模式GNSS-R土壤湿度反演模型进行相关研究，并进行了地基试验验证，使用测绘级接收机采集了GPS数据，并使用Theta Probe传感器采集同比土壤湿度数据。数据处理结果显示：GPS PRN 1、PRN 20、PRN 24、PRN25等4颗卫星的SNR相位与土壤湿度的R2分别达到了0.720 7、0.509 4、0.733 4、0.520 8；GPS PRN 4、PRN 12、PRN 15、PRN 31等4颗卫星的SNR幅度与土壤湿度R2达到了0.796 3、0.726 0、0.784 5、0.774 5。
(4) 分析总结了目前雷达遥感领域中已有的植被模型，对基于支持向量机的GNSS-R土壤湿度反演模型进行了修改，利用叶面积指数和植被含水量进行植被影响修正，并与未包含植被信息的模型结果进行了对比。结果显示：加入植被信息之后的模型结果与土壤湿度真值R2为0.921 4，RMSE为0.013 31 m3/m3。与未加入植被信息的反演模型相比，R2提高了2.62%，RMSE降低了11.94%，说明模型对植被的影响有显著的消除效果。