干旱是全球最严重的自然灾害之一,主要表现为发生的频率高,持续的时间长且造成大范围的影响。旱灾的发生对农业、生态和经济等产生影响,在全球范围内造成不同程度的损失。全球气候变化,海-气相互作用导致的气候异常,增加了极端事件发生的可能性。进一步分析、掌握干旱发生的遥相关机制并构建顾及气候异常现象的综合干旱监测模型是预防和降低干旱影响,减少旱灾损失的主要途径。中国地域广阔,不同生态地理区划内干旱受到的典型气候异常变化的影响机制不同,本文首先研究了我国不同生态地理区划下厄尔尼诺-南方涛动（ENSO）、马登-朱利安震荡（MJO）分别与气象干旱和农业干旱的遥相关关系,明确了其对干旱产生的影响,进一步掌握了旱灾发生的机理。在此基础上,利用基于机器学习的随机森林算法,集成气象干旱指数、遥感干旱指数、土地覆盖及其它体现干旱区域差异的因子构建了干旱综合监测模型。主要研究方法及结论如下:（1）本文基于中国577个气象站点1982-2018年的气象数据构建了帕尔默干旱指数（PDSI）,自适应的帕尔默干旱指数（SC-PDSI）,标准化的降水蒸发指数（SPEI,1月,3月,6月,9月,12月尺度）。获取了2006-2019年的遥感干旱指数:植被状态指数（VCI）,温度条件指数（TCI）,分别从气象干旱和农业干旱的角度分析了气候异常指数NINO3.4及MJO震荡对干旱事件的影响。通过对中国48个生态地理区划内气候异常事件和干旱事件进行时空相关分析,得到了气候异常事件对干旱的影响的特征和时空差异性。结果显示,总体上气候异常事件与干旱具有强相关关系,空间上两者相关性在不同的生态区划表现具有差异性。在ENSO冷暖事件发生或MJO震荡异常高或异常低时,不同区域的干旱对极端事件的响应各异。气候异常事件对农业干旱的影响高于气象干旱,对农业干旱影响较大的区域位于青藏高原及新疆等地区,相关系数最高达0.72,ENSO和MJO对气象干旱的影响在江南地区显著,相关系数最高,为0.40。相比气象干旱,农业干旱对气候异常事件的响应也表现出了明显的滞后性,滞后6个月时,两者对应关系最明显且相关性也达到最高,相关系数均值达到0.38,最大值达到0.75。（2）本文考虑MJO及ENSO在不同生态地理区划上与干旱的时空相关性,将两者和生态地理区划均纳入模型构建的自变量中。其他自变量包括:遥感干旱指数VCI和TCI,气象干旱指数SPEI,和地表覆盖类型,高程,坡度,坡向及土壤有效含水量共11个特征值因子,因变量为PDSI。以华北及黄淮海,安徽省、辽宁省以及云南省全域为研究区域,构建了顾及气候异常指数影响的干旱监测模型。该模型根据干旱的季节差异划分为四个子模型,对其精度进行了验证。通过模拟监测,四个模型在整个数据集上的监测结果与真实值之间,相关系数均达到0.95以上,R2在0.90左右,在测试集上两者相关系数也达到0.83以上,R2保持在0.70左右。（3）基于所构建的模型对2006-2018年共156个月的华北及黄淮海地区的干旱进行了模拟监测,并选取了6个验证点对比2006-2018年PDSI插值结果、气象干旱指数、降水数据,进一步验证了新建模型的干旱监测能力。模型具有良好的表现,与实际干旱情况相符。从站点时间序列来看,监测结果的趋势与降水具有一致的趋势变化对应的关系,能够良好的反映干旱情况。（4）选取中国干旱频发的典型区域安徽、云南及辽宁的典型干旱事件,进一步验证了新建模型的监测结果,对模型精度进行了评价,结果表明模型监测结果与实际情况基本相符。本研究集成了多源数据,顾及气候异常变化的影响构建了干旱监测模型,能够应用到华北及黄淮海、安徽、辽宁及云南的干旱监测中,实现了在大区域上的连续定量干旱监测,为我国干旱的抗灾提供了新的思路和手段。