连续的近地表气温连续的空间分布数据对于气候变化、农业区划等科学研究有重要价值,传统的空间插值方法可获得区域气温空间分布,但由于地面气象站点较稀疏且分布不均,导致气温的空间插值结果误差较大,只能获取有限范围的气温分布,难以获取高空间分辨率的近地表气温数据。卫星遥感会受到云覆盖导致存在大量无效像元,对估算气温的连续空间分布造成影响。本文为实现连续空间的高精度的近地表气温,弥补气象站点数据的不足,考虑地表温度及其他因素的影响,利用遥感数据和气象站点实测数据,建立多元线性回归模型,并预测得到随机生成的未知位置的气温值,然后将预测的气温数据作为软数据,气象站点实测数据作为硬数据,两者相结合放入贝叶斯最大熵模型对全国的平均气温进行了空间预测,以改进大范围的气温空间估计,并与普通克里金方法插值结果进行比较。以武汉市热岛效应分析为例,评估了武汉市城市热岛效应。结果表明,（1）在空间分布上,使用多元线性回归模型生成的软数据参与贝叶斯最大熵模型的结果能更好地体现气温分布的细节差异,展示了增强效果。（2）在误差评价上,相比普通克里金方法,结合软数据的贝叶斯最大熵插值结果的MAE和RMSE比普通克里金方法分别要小0.95℃和0.54℃,且在气象站点稀疏分布的西部区域的预测精度要高于普通克里金插值方法。（3）利用多元线性回归模型,对武汉市的日均气温进行了空间估计,并将武汉市三环区域作为城市中心区域,向外做了8个等面积缓冲区,并计算了每个缓冲区里的平均气温,白天地表温度和晚上地表温度,结果表明,日均气温沿着中心城区向外呈下降趋势,直到第6个缓冲区开始略微上升,总体上武汉市沿城乡呈现温度下降趋势,这可能与每个缓冲区水域与耕地的分布不均有关,计算得出的基于气温的武汉热岛强度为0.95℃。（4）贝叶斯最大熵方法能够综合利用多源数据实现对气温的空间估计,软数据的加入在一定程度上能够弥补气象站点数据的不足,为绘制高精度的空间连续气温分布图提供了一个新途径。