在全球变暖的大背景下,近地表气温的模拟研究已经成为一个重要的研究内容,研究近地表气温的变化对于分析气候的演变规律,预测未来的气候变化情况具有重要的意义和作用。近地表气温数据主要依靠气象站点获取,在地形复杂的广大地区,气象站点稀少,很难依靠气象站点的内插或者外推获得空间分布的近地表气温数据。机器学习在气温模拟中有着很好的优势,但不同的机器学习法在不同的区域有着不同的模拟精度,因此本文以气象站点较少的黄土高原为研究区利用遥感数据结合机器学习法来模拟得到空间连续分布的近地表气温数据。本文选取了MODIS 4个时相的地表温度数据、经纬度、海拔、坡度、坡向、归一化植被指数、太阳辐射、地表反照率和降水13个变量作为深度神经网络（DNN）、随机森林（RF）、支持向量机（SVM）三种机器学习模型的输入数据,得到了三种近地表气温的模拟结果,并利用气象站点的实测数据对三种模型的模拟结果进行验证,比较得出了模拟黄土高原近地表气温的最优模型。此外本文还选取了ERA-5、ERA-Interim和CSFR三种精度较高、时间连续性较好的气温再分析资料对最优模型气温的模拟结果在变化趋势、空间分布及误差方面进行了比较。最后使用精度较高的随机森林模型模拟得到了黄土高原地区2003～2017年逐月空间分布的近地表气温。通过本文的研究得出的主要结论如下:（1）随机森林模型相较于其他气温模拟方法,模拟的精度较高,平均绝对误差为0.91℃。均方根误差为1.06℃,且模型在不同区域的稳定性较好,相较于其他气温模拟方法,模型的输入因子也容易获取,具有更好的普适性。（2）卫星夜晚获取的地表温度数据对近地表气温模拟结果十分重要,在变量选取时要选取卫星夜晚获取的地表温度数据作为模拟近地表气温的重要参数,本文为使用夜晚地表温度数据进行近地表气温的研究提供了依据。（3）随机森林模拟结果的月均变化趋势与实测站点的变化趋势更为一致,CSFR再分析资料整体上对近地表气温有明显的高估,ERA-5和ERA-Interim气温再分析资料也存在不同程度的高估。（4）使用随机森林方法模拟的近地表气温数据相较于CSFR、ERA-5和ERA-Interim气温再分析资料,空间分辨率更高,数值之间的过渡也更为合理,更加验证了随机森林在模拟近地表气温的适用性和模型的稳定性。（5）气温的最高值分布在黄土高原的中部,低温分布在西部和南部的高原山地,气温受海拔的影响较大;从季节上看,黄土高原地区春季和夏季的平均气温总体呈现出波动上升的趋势,冬季平均气温的数值较为稳定,气温上升幅度不大,秋季呈现出下降的趋势;2003～2017年黄土高原地区年均温整体上呈现出逐年上升的趋势,从年均温空间分布上看,局部地区增暖的趋势较为明显。