土壤含水量（θ）是影响作物生长和作物产量的主要因素之一。旨在评估基于光谱特征参数的各种回归模型估算土壤含水量的精度,并比较人工神经网络（BP-ANN）和光谱特征参数模型的性能。2014年在室内获取砂土和壤土的土壤含水量和光谱反射率数据。结果表明:（1）当砂土容重为1.40 g·cm^-3时,900⁹70 nm最大反射率和900⁹70 nm反射率总和估算口达到极显著水平（R²超过0.90）;容重为1.50 g·cm^-3时,用蓝边最大反射率和900⁹70 nm反射率总和估算θ相关性最好（超过0.70）;容重为1.60 g·cm^-3时,780⁹70 nm反射率总和与560⁷60 nm归一化吸收深度的R²均超过0.90,达到极显著水平;容重为1.70 g·cm^-3时,900⁹70 nm最大反射率和900⁹70 nm反射率总和的R²为0.88,呈极显著水平。（2）当土壤类型为壤土时,用900⁹70 nm最大反射率和900⁹70 nm反射率总和估算θ相关性最好。（3）蓝边反射率总和(R²=0.26和RMSE=0.09 m³·m^-3)和780⁹70 nm吸收深度(R²=0.32和RMSE=0.10m³·m^-3)估算砂土的含水量相关性最好。在估算壤土的含水量时,900⁹70 nm最大反射率(R²=0.92和RMSE=0.05 m³·m^-3)与900⁹70 nm反射率总和估算模型的精度最高(R²=0.92和RMSE=0.04 m³·m^-3)。（4）用人工神经网络模型能够更好地估算两种土壤的含水量(R²=0.87和RMSE=0.05m³·m^-3)。因此,人工神经网络模型对θ估算具有巨大的潜力。