土壤水分是水文学、气象学、生态学以及农业科学研究领域中的一个重要指标参数,是农业干旱最为重要的环境过程因子,准确描述土壤水分动态变化是定量描述农业受旱的关键,对土壤水分状况监测和空间格局的研究具有重要意义。常用的土壤墒情预测模型有土壤水动力学法、经验公式法、水量平衡法、时间序列模型法等,这些模型存在测量因素多、需要的数据量很大等不足。人工神经网络(如BP网络)与传统土壤水分预测模型相比具有处理多因子、非线性问题的能力；微波遥感(如AMSR-E)具有穿透力强,不受大气、云、雾等影响的优势,鉴于此本文基于BP神经网络和AMSR-E遥感数据建立模型反演土壤水分。本研究采用川中丘陵区的2006年～2010年的土壤水分观测数据和AMSR-E数据,优选输入因子并利用优选的输入因子以及研究区站点的土壤水分观测数据分别构建2因子、3因子和4因子的BP神经网络模型反演土壤水分,结合研究区降雨量、蒸发量数据及马柱国指数对筛选的2个4因子模型(BPNN1模型和BPNN2模型)进行验证、评估分析。主要结论如下：1、优选因子数多的神经网络模型评价精度一般较优选因子数少的神经网络模型更高,但多因子中存在干扰因素会降低模型的精度。研究表明,Tb36.5H波段应用于神经网络模型反演川中丘陵区土壤水分是干扰因素,而Tb6.9GHz和Tb10.7GHz频率波段同时应用于神经网络模型有利于降低模型模拟值的离散度,提高模拟值与观测值的相关性。2、AMSR-E土壤水分产品对降水量变化较观测值、BPNN1模型和BPNN2模型模拟值更敏感,观测值、BPNN1模型和BPNN2模型模拟值的干旱发生时间较累计降水量长期较少的时间具有一定滞后性。3、AMSR-E土壤水分产品反演的土壤水分数值大小在空间上的分布与观测值总体趋势不一致,而BPNN1模型和BPNN2模型模拟值与观测值数值大小趋势在空间上的分布更为一致,数值大小也更接近观测值。BPNN1模型和BPNN2模型模拟值时间序列曲线趋势一致,但BPNN2模型模拟值的时间动态变化波动更大。BPNN2模型空间分布上易平滑掉较小和较大值,对重大干旱事件BPNN2模型数值大小的空间分布更接近观测值。4、当增加Tb18.7GHz和Tb36.5GHz作为输入因子时,模型模拟值空间分布趋势较平滑、数值更小,研究结果表明BPNN2模型模拟的土壤水分空间分布反映的干旱区空间分布趋势较BPNN1模型更接近马柱国指数反映的干旱区域,这可能是各因子对～10cm表层土壤水分敏感程度不一的原因。5、BP神经网络模型反演土壤水分的空间分布趋势与川中丘陵区地形变化正好相反,在西北地区低而东部及东南部逐渐升高,AMSR-E土壤水分产品的土壤水分值与地形高低趋势一致,说明地形因素对BP神经网络模型反演土壤水分有一定影响。