随着中国经济的快速发展,大量土地资源被大规模开发利用,导致受污染的土地面积逐渐增加,威胁到了生态环境稳定和农业生产安全。因此迫切的需要开展土壤污染防治工作。土壤水分和土壤盐分作为影响干旱区土壤生态环境的主要因素,对土壤水盐分布状况进行及时、准确的监测是掌握干旱区土壤状况的关键。本研究将以新疆阿克苏地区的渭库绿洲为研究对象,利用Dobson介电模型进行土壤介电特性分析。以Sentinel-1A微波数据作为遥感数据,将WCM模型和AIEM模型耦合,构建渭库绿洲土壤水分反演模型。利用微波数据与机器学习算法结合,构建渭库绿洲土壤盐分反演模型,实现对干旱区土壤水盐的监测。本研究主要得到以下几个结论:（1）利用Dobson介电模型模拟土壤体积含水量、土壤含盐量、温度、频率、土壤容重对介电常数的影响,研究发现土壤介电常数受多种因素的影响,但土壤的水盐含量对介电常数的影响最为显著,介电常数实部主要受土壤含水量的控制,介电常数实部与体积含水量两者呈正比关系。介电常数虚部则土壤水盐共同作用,介电常数虚部随着体积含水量的增加呈现指数减少的趋势,与土壤含盐量呈现正比关系。将模拟的介电常数与实测介电常数进行拟合,拟合结果较好,说明Dobson介电模型适合本研究区。（2）将AIEM模型与WCM模型结合,首先利用AIEM模型通过模拟不同均方根、相关长度、含水量条件下,后向散射系数与土壤水分和粗糙度的关系,发现后向散射系数与土壤水分和粗糙度之间均存在对数关系。其次,利用WCM模型消除植被对后向散射系数的贡献获取裸土的雷达后向散射系数。通过AIEM模型和WCM模型构建土壤水分反演模型,利用实测数据对模型精度进行验证,决定系数R2=0.906,结果表明该方法可以用于研究区的土壤水分反演。（3）采用Sentinel-1A两种极化方式的后向散射系数,构建20种极化组合2D指数和土壤水分作为特征变量,利用Boruta函数对特征变量进行筛选,发现Boruta特征选择算法筛选出与土壤盐分相关性较好的特征变量。将筛选的特征变量分别5与种机器学习方法结合建立土壤盐分模型。通过模型评价指标对比发现:对于土壤盐分建立的5种模型均有不错的反演精度,其中rpart模型精度最低,Cubist模型精度最高,其验证集R2=0.822,RMSE=3.064,表明利用雷达后向散射系数与机器学习算法结合能够实现对表层土壤盐分的精准反演,可以为干旱区盐渍化的分布情况实施有效的监测。根据反演结果可知,研究区内非盐渍土占72.68%、轻度盐渍土占9.75%、中度盐渍土占13.07%、重度盐渍土占4.21%、极中度盐渍土占0.27%,土壤盐分由绿洲内部到外围呈现逐渐升高的趋势。综上所述,本研究主要是利用微波遥感的手段将多种模型耦合构建研究区土壤水分反演模型,同时将微波雷达数据与机器学习算法结合对渭库绿洲土壤盐分进行反演。本研究所建立的两种模型均取得了较好的反演精度,能够实现干旱区土壤水盐的监测,以便于后期有针对性的开展土壤生态环境保护工作,从而更好地保障干旱区生态环境稳定和农业、经济可持续发展,助力乡村振兴,建设美丽新疆。