土地利用信息、蒸散发和土壤水分监测是区域水资源高效管理的基础,采用遥感技术获取上述基础数据有助于区域水资源的动态管理。本研究以陕西关中地区的武功、扶风和杨陵3个县区为典型研究区域,采用理论分析、数值模拟和实验研究相结合的技术路线,开展了基于遥感的区域土地利用-高时空分辨率蒸散发与土壤含水量分布反演研究,得出以下主要研究结论:(1)提出了一种基于逐日时间序列遥感数据的土地利用/分类方法,解决了非逐日时间序列数据信息缺失导致土地利用/分类精度下降的问题。研究结果表明:非逐日时间序列进行平滑降噪处理时,S-G滤波算法优于HANTS滤波算法;经过空间插补系统处理的NDVI逐日时间序列数据较未经插补的时间序列数据在土地分类中表现更优,可较好地对周期内NDVI变化趋势相似地物进行区分,基于遗传算法优化支持向量机参数的方法可提高逐日时间序列数据的分类精度。(2)以构建的逐日NDVI时间序列遥感数据为基础,提出了一种改进多分类器融合算法。研究结果表明:不同单一分类器对逐日NDVI时间序列数据分类结果不同,马氏距离分类器由于机理特性需要选取大量的训练样本而不适用于逐日NDVI时间序列的土地分类,K-Means单一分类器不适用于种植结构复杂的灌区土地分类。基于时间序列数据的平均值、峰度和偏度三个统计特征可以实现逐日时间序列遥感数据的土地分类,解决了时间序列数据空间维度大导致过程繁琐、计算量大的问题。改进多分类融合算法较未改进多分类器融合表现出更大的优势,解决了分类精度强弱不同的多个单一分类融合结果不佳的问题。(3)以人工神经网络算法为基础,提出了一种不依赖热红外数据的区域高时空分辨率蒸散量遥感反演方法。研究结果表明:在研究区域内地表温度和高程数据分别是是蒸散量估算的第一主导因子、第二主导因子。夏季地表温度与NDVI的相关性较好,可用NDVI和地表温度回归模型估算夏季地表温度。以热红外数据计算的地表温度为自变量的蒸散量遥感反演模型具有较高的精度;基于回归模型估算的地表温度的蒸散量遥感反演模型也具有较高的精度,且不依赖热红外数据的获取,可用于获取长时间蒸散量数据,增加了蒸散量数据使用的灵活性。(4)提出了一种蒸散量-植被指数(EVDI)模型用以反演区域土壤水分含量的方法,解决了地表温度-植被指数(TVDI)模型反演土壤水分的不确定性问题。研究结果表明:EVDI特征空间构建可以用来反演区域土壤水分含量。在玉米生长阶段,EVDI模型较TVDI模型更适用于反演土壤水分含量,EVDI模型结果与0~20 cm土层深度的土壤水分含量相关性最高,随土层深度增加相关性呈下降趋势。在小麦生长阶段,TVDI模型和EVDI模型均不适用于小麦幼苗期土壤水分含量的反演;与TVDI模型相比,EVDI模型不适用于冬季的土壤水分含量反演。不同作物不同时期土壤含水量反演研究的结果表明,TVDI和EVDI空间特征与多点监测结果可以实现区域土壤水分反演。基于EVDI可以进行土壤干旱等级划分,不同EVDI干旱指数代表不同干旱程度。需要指出的是,论文通过提高时间序列数据的维度提高了土地分类精度,但同时却增加了分类器计算负担,故提取逐日时间序列主要特征信息降低分类器计算负担的工作还需进一步研究。同时,在本文研究中,高时空分辨率的区域蒸散发遥感反演方法和土壤水分反演方法的研究没有考虑区域气象条件、地表覆盖类型和土壤属性的非唯一性给反演模型的稳定性带来的影响,由于这一问题比较复杂,仍需进一步研究。