超宽带（UWB,Ultra Wide Band）雷达传感器由于雷达带宽高,在农业中具备很强的土壤距离分辨率,目标穿透能力和抗干扰能力优势,已在农业土壤动态信息的实时获取和综合处理中得到广泛的应用。本文就超宽带雷达信号中的土壤特征参数信息提取问题提出了两种土壤特征分类算法和两种土壤特征预测算法。利用机器学习和信号处理算法从超宽带雷达信号的时域、频域和特征空间三个角度对信号进行特征提取,建立了信号与土壤特征之间的映射关系,并通过实验验证了算法在不同信噪比、标签噪声以及特征维度下的最优算法。主要工作内容总结如下:1、本文提出了UWB-LSTM和UWB-GRU土壤含水量分类算法,达到了可以无需进行超宽带雷达土壤信号特征提取即可对五种具有不同的超宽带土壤回波信号进行土壤体积含水量分类的目的。该算法利用了UWB土壤信号作为时间序列样本数据的特点,通过挖掘信号前后数据点之间的相关特性与土壤特征参数之间的关系,结合两种循环神经网络对土壤回波信号进行了分类。本文针对两个模型在分类效果、模型收敛速度和模型泛化能力三个方面的特点,就两个模型在实测量和数据中的表现情况进行了综述和分析。仿真结果显示,UWB-GRU算法的分类精度和准确率优于UWB-LSTM,但是UWB-LSTM模型的泛化能力优于UWB-GRU模型。2、本文提出了一种基于置信学习的改进逻辑回归算法,该算法针对超宽带雷达土壤信号中可能存在的错误标签会影响模型的分类效果这一问题,达到了提高算法分类准确率的效果。该算法将置信学习方法应用于逻辑回归模型,通过对标签噪声概率进行估计发现可能的错误标签。另外,本文在不同信噪比下,对比了基于置信学习的逻辑回归模型和一般逻辑回归模型的分类精度。仿真分析表明,在信号自身和信号标签中均存在噪声的情况下,基于置信学习的改进逻辑回归算法在分类准确率上有较大的提升。3、提出了一种WPT-SVM土壤特征参数预测算法,该算法以小波包变换为基础（WPT,wavelet packet transform）提取了超宽带土壤回波信号的频域能量特征,该特征为不同土壤特征的超宽带雷达信号在不同频率分段上的能量占比。同时以支持向量机（SVM,support vector machine）为基础建立了超宽带土壤回波信号的土壤p H值和土壤含水量预测模型。当对土壤超宽带回波进行6层Dmeyer小波包处理后,算法的p H预测性能达到最佳;分解层数达到7层时,土壤VWC预测效果达到最佳。4、提出了一种基于主成分分析（PCA,Principal Component Analysis）和集成学习方法的土壤特征参数预测模型,实现了土壤特征参数的智能化提取。本文实现算法预测效能在不同的特征维度和信号噪声条件下的考察。PCA+bagging、PCA+randomforest、PCA+adaboost和PCA+gradientboost算法中,PCA+randomforest的预测效果和抗噪性能均优于其余三种模型。另外,利用集成学习算法集成多个弱学习器的特点,对上一章中的小波包分解得到的能量特征谱进行分析,对各频段的信号能量对土壤p H预测的重要程度排序。使用三种集成模型（随机森林、决策树和gradientboost模型）分析得出结论,超宽带土壤信号与p H值相关的信息主要集中在信号的3.84-4.10GHz频域范围内。本文在传统信号处理算法之上,利用机器学习强大的数据拟合能力,从信号频域、信号时域、特征空间三个角度对信号进行特征提取,建立了土壤特征参数与超宽带雷达信号之间的映射关系。针对土壤p H值与体积含水量预测、在信号噪声环境下进行土壤特征的分类与预测任务提出了解决方案。