土壤湿度亦称土壤含水量（Soil Moisture Content,SMC）,是表征土壤干湿程度的物理量。SMC作为重要的生态系统影响因子,在水循环、天气预报、边坡稳定性预判等方面起着重要作用。大量研究表明,GNSS（Global Navigation Satellite System）卫星信号能够穿透一定深度的土壤,其反射信号可敏锐地感知SMC的变化,从而产生了一种全新且高效的SMC监测手段,即GNSS-R（GNSS Reflectometry）微波遥感技术。相较于传统的SMC监测手段,GNSS-R具有全天候、低成本、高精度等优点,且易于实现SMC的高时空分辨率监测。鉴于低卫星高度角的SNR（Signal-to-Noise Ratio）观测值较好地承载着GNSS测站周围反射物的物理特性,现有基于GNSS-R技术的SMC反演大都以SNR作为观测值。然而,基于SNR的GNSS-R土壤湿度反演可能存在以下缺陷:首先,SNR对大多数GNSS用户是无用的,导致其并不总直接记录于GNSS的原始文件中,从而使得基于SNR的GNSS-R土壤湿度监测可能无法得以实施;其次,以SNR时间序列作为系统输入的GNSS-R的性能在很大程度上取决于SNR的观测质量和SNR直接分量（趋势项）的成功去除,而实际信噪比观测值易受外界环境异常噪声的影响,导致去除趋势项后所获得的多路径信噪比的反射分量可能“不纯”,从而势必降低SMC的反演精度。当前各GNSS系统均发射有双频和三频卫星信号,据此可构建出较为精确的多路径误差计算模型。因此,为丰富GNSS-R土壤湿度反演的数据源和方法,本文在分析多路径误差产生机制、研习多路径误差计算模型的基础上,提出了基于双频伪距多路径误差和基于BDS三频相位多路径误差的土壤湿度反演方法,并采用实测土壤湿度数据对所提方法的性能进行了验证。本文主要研究内容和所取得的成果如下:（1）对GNSS各系统（GPS（Global Positioning System）卫星系统、BDS（Bei Dou Navigation Satellite System）卫星系统、GLONASS（Global Navigation Satellite System）卫星系统、GALILEO（Galileo Satellite Navigation System）卫星系统）的卫星信号情况进行了总结归纳;较为详细地介绍了双频和三频多路径误差的计算模型,并系统地分析了低卫星高度角下SNR、双频伪距（double frequency pseudorange,DFP）多路径误差、L4＿IF（L4 ionosphere free）和三频载波相位（triple frequency carrier phase,TRFCP）多路径误差的特征。（2）研习了基于SNR观测值的GNSS-R土壤湿度反演原理;为评价文中方法的精度,对几种精度指标的计算方法进行了介绍。（3）提出了基于双频多路径误差土壤湿度反演方法,并基于美国板块边界观测（Plate Boundary Observatory,PBO）计划P041站点的GPS卫星数据,分别利用SNR观测值（SNR方法）、双频伪距观测值（DFP方法）和去电离层影响的双频载波相位观测值（L4＿IF方法）进行土壤湿度反演试验。结果表明:以现场实测土壤湿度为参考,L4＿IF方法获得了较高的相关系数和较小的均方根误差,总体精度更优。（4）提出了基于BDS三频相位多路径误差的土壤湿度反演方法,并基于实测土壤湿度数据和BDS三频载波相位观测值,采用BDS三频多路径误差方法（TRFCP方法）和L4＿IF方法分别进行了土壤湿度反演试验。结果表明:相较于L4＿IF方法,TRFCP方法得益于载波相位观测值和三频多路径误差计算模型的高精度,获得了较高的相关系数和更优的拟合精度。（5）土壤湿度往往会受到植被覆盖、土壤温度和空气湿度等多种影响因子的共同作用,导致常规的线性模型未必能很好地刻画土壤湿度的变化趋势。因此,为改善GNSS-R土壤湿度反演的精度,本文基于一元线性回归（Unitary Linearity Regression,ULR）、BP（Back Propagation）神经网络和RBF（Radial Basis Function）神经网络分别进行土壤湿度预测模型的构建,并对其各自的精度进行了对比分析。