土壤湿度作为陆地干湿变化的定量表现因子之一,在农、林、牧、渔、生态环境、气候变化等方面十分重要。准确的时空连续土壤湿度获取是其在不同领域应用的前提。传统的地面观测法、遥感反演以及模式模拟法在获取中都有不同程度的缺陷,因此,如何准确估测土壤湿度数据是当前土壤湿度研究面临的严重问题。多源土壤湿度数据融合为我们提供了一种准确估测土壤湿度的新思路,其可以很好的融合不同土壤湿度数据的优点,进而产生高质量的土壤湿度数据。为此,本文以站点实测数据为参考,对Climate Change Initiative Soil Moisture（CCI）、Soil Moisture Active and Passive（SMAP）、the fifth generation ECMWF reanalysis-Land（ERA5-Land）土壤湿度数据进行评估,在此基础上,应用Triple-Collocation融合方法（TC）、小波变换融合方法（WT）开展多源土壤湿度数据融合方法研究,应用最优融合方法计算的土壤湿度数据融合结果进行趋势、突变和周期特征分析,应用交叉小波、小波相干方法分析土壤湿度与地表温度、降水、植被叶面积指数的互响应关系,主要结论如下:（1）CCI土壤湿度数据精度最高,但空间覆盖率不足,SMAP土壤湿度数据偏干严重,ERA5-Land土壤湿度数据拥有同站点观测数据相关性最好。以站点观测数据作为评估参考,对土壤湿度数据进行评估,其中CCI土壤湿度数据相比于实测数据虽偏高,但其在黄河流域及其周边地区的空间分布格局同实测数据以及降水数据最为接近,时间序列趋势同站点实测数据也最为相似。其缺点是空间覆盖率低,数据有缺失。SMAP土壤湿度数据在黄河流域及其周边地区整体表现偏干严重,数据精度相较CCI土壤湿度数据存在差距,但二者同实测数据相关性相差不大。ERA5-Land土壤湿度数据在黄河流域及其周边地区整体表现偏湿严重,但ERA5-Land土壤湿度数据作为模式模拟数据,在时空连续性和覆盖率方面表现良好,同站点实测数据有着最好的相关性。（2）TC方法可以很好的获取质量更好的土壤湿度数据。应用TC方法求取三种土壤湿度数据的权重,通过权重分配最终实现多源土壤湿度数据的融合,得到TC土壤湿度融合结果,将TC土壤湿度数据同站点实测数据、融合前土壤湿度数据在总体精度、时间、空间不同方面进行对比评估,结果表明,TC土壤湿度数据均方根误差和平均偏差小于融合前土壤湿度数据,同实测站点具有良好的相关性,数据质量更加接近实际值,在不同农业气候区同降水变化特征保持一致。但TC土壤湿度数据在空间上同站点实测数据的相关性要低于ERA5-Land土壤湿度数据。（3）对比TC融合方法,WT方法的融合效果更好,土壤湿度数据估测更为精准。应用WT融合方法,通过分解——融合——重构的方式实现多源遥感土壤湿度数据的融合,得到WT土壤湿度融合结果,将WT土壤湿度数据同站点实测数据、融合前土壤湿度数据以及TC土壤湿度数据进行对比评估,结果表明,WT土壤湿度数据同实测站点拥有更好的一致性,更相似的时空变化特征,数据离散值更少,精度提升明显。其在不同农业气候区的均方根误差、平均偏差、同实测站点相关性方面都优于融合前数据以及TC土壤湿度数据,精度对比结果最好,可以更好的表现研究区时空变异规律。（4）黄河流域及其周边地区土壤湿度呈现微弱上升趋势,在2017年7月中旬发生突变,以128d尺度产生周期性振荡,同降水和低植被叶面积指数正向共振变化,同地表气温和高指被叶面积指数负向共振变化。应用质量更好的WT土壤湿度融合结果,通过距平分析、M-K突变检验、小波分析、交叉小波以及小波相干分析,探寻黄河流域及其周边地区2016-2018年6-9月土壤湿度逐日变化趋势、突变、周期特征以及土壤湿度针对不同影响因子的响应。结果表明,研究区土壤湿度呈微弱上升趋势,大约以14d周期呈现减——增——减的变化特征,在研究区内同雨季变化相一致。研究区土壤湿度增加时呈现双峰态势,在2017年7月份左右土壤湿度增加明显,产生突变。土壤湿度在128d尺度发生周期性振荡,且中心位于2017年7月中旬,进一步证明2017年7月份土壤湿度显著增加。交叉小波和小波相干分析表明,土壤湿度同降水量存在明显的正共变周期和共振频率,同地表温度存在负共变周期和共振频率,土壤湿度同高植被叶面积指数呈现负向共振频率和共振变化周期,土壤湿度同低植被叶面积指数呈现正向共振频率和共振变化周期。