土壤湿度影响着气候变化、农作物生长、能量和水循环,研究土壤湿度对气候预测、植被生长、生态环境等领域有着非常重要的意义。用遥感技术获取土壤湿度是一种常见的数据获取手段,但是遥感土壤湿度数据因在反演过程中使用的地形、土壤质地、植被覆盖、气象要素等数据的不准确性而含有一定的误差。了解遥感土壤湿度数据误差的信息对于正确解译土壤湿度遥感观测信息以及将其成功应用于各类研究中至关重要。本文研究选用高级微波扫描辐射计2（AMSR2）、高级散射计（ASCAT）、全球土壤数据同化系统2.1版本（GLDAS2）、气象再分析数据集（ERA5）、土壤水分主被动监测卫星（SMAP）及土壤湿度和海洋盐度卫星（SMOS）6种微波遥感的土壤湿度产品,以国际土壤水分网络（ISMN）站点观测数据为参考进行数据质量评估,使用相关系数、均方根误差和偏差作为数据质量评价指标,并分析了各土壤湿度数据在不同土地覆盖类型上的数据质量。研究发现,6种土壤湿度产品在不同地区表现情况不同,美国东部ERA5和GLDAS2两种土壤湿度产品与站点的相关性强（相关系数＞0.5）,均方根误差小,偏差小（趋近于0 m~3/m~3）;在英国北部地区ERA5与站点的相关性强（相关系数大于0.5）,但均方根误差较大;中国青藏高原和澳大利亚东南沿海地区,6种土壤湿度产品均有较高的数据质量,与站点的相关性强,偏差和均方根误差小。总的来说,ERA5在43.5%的实验网格内与站点的相关系数最高,GLDAS2占比25.2%,SMAP占比14.3%,ASCAT和SMOS情况接近,占比分别为8.4%和6.3%,AMSR2表现最差（占比2.3%）。对于均方根误差和偏差研究来说,GLDAS2与站点偏差最小的待验证网格数量占全部待验证网格数的21.97%,与站点均方根误差最小的待验证网格数量占比27.7%。均方根误差中AMSR2表现最差,最优数量占比6.4%,其余4种分别为SMAP占比21.4%,ERA5占比19.6%,SMOS占比13%,ASCAT占比11.9%。而偏差中SMAP表现最差,最优数量占比10.65%,其余4种最优数量占比值相差不大,分别为SMOS占比17.58%,ERA5占比17.31%,ASCAT占比16.64%,AMSR2占比15.85%。针对不同MODIS IGBP土地覆盖类型进行相关系数、均方根误差和偏差的分析的结果表明,AMSR2在草地上与站点土壤湿度的偏差值最小,SMAP在开放灌丛、热带多树草原、热带稀树草原、草地、耕地和裸地上相关系数差别不大,GLDAS2在常绿林中相关性最强且均方根误差最小（0.05 m~3/m~3至0.07 m~3/m~3）,但与站点的偏差较大。SMOS在落叶林中与站点的相关系数最小,在落叶林上ERA5与站点的均方根误差最小。数据融合是一个备受关注的研究方向,本文使用机器学习算法融合多种土壤湿度产品建立了一种遥感产品数据融合模型,获得了精度更高的土壤湿度数据,使土壤湿度数据与站点土壤湿度的平均绝对误差减小到0.05 m~3/m~3。本文对长时间序列的多种土壤湿度数据产品在全球尺度上用站点观测进行了质量分析,融合多源土壤湿度数据并得出一种数据融合模型,为研究人员在不同区域选择土壤湿度数据以及融合多源遥感土壤湿度数据提供了实验结果参考,具有重要的应用价值及推广意义。