土壤湿度是气候、水文、生态和农业等方面研究的一个重要的基础参数,它直接控制着陆面和大气之间水、热量的输送和平衡。土壤湿度的变化会引起土壤热学特性、地表光学特性的改变,从而影响气候的变化。区域性和大尺度的陆地土壤湿度变化信息对于陆气交互作用平衡和陆面水文研究、改善区域及全球气候模式预报结果、水涝和干早的监测、农作物生长态势评估、自然和生态环境问题的研究等都是十分关键的因素。因而,研究区域或大范围的土壤水分有着特别重要的意义,这也是目前国际上研究的一个重要课题之一。传统的地面观测站网络不能满足大尺度土壤水分的时间、空间连续动态变化研究的需要。而现在广泛应用的微波测量方式虽然穿透力强,也存在设备过于沉重、短波范围内电测波信号受大气干扰比较大、波段难以控制等缺点,限制了其在农业自动化方面的发展。目前也有很多用可见光-近红外-热红外等光学遥感手段来获取土壤湿度时空分布信息,采用光学遥感具有体积小、成像简单、周期短、费用低等优点,利于将来的农业普及。但是这种手段在目前的应用中大多依靠高空飞行器负载,因为光学遥感的波段无法穿透云层,所以在实际应用中受到了限制。而无人机的出现解决了这些问题。无人机作为一种新型的信息获取方式,伴随着技术的逐渐成熟,已经在越来越多的领域得到了应用。与通常信息获取使用的飞行器以及卫星相比,无人机具有费用低、精确度高、运行周期短、易于操作等优点,非常适合将来在农业当中普及。本研究正是基于此,选用无人机作为飞行器,可见光-近红外光作为遥感测量的手段,以美国犹他州为例研究如何探测一定区域内土壤表层的湿度信息的问题。本研究的主要内容如下:首先,建立了图像的多空间分析模型以及分数阶植被归一化公式。用无人机采集回的可见光以及近红外光等信息都是独立的,与土壤湿度的信息的关联都不足以达到预测的标准。以往的研究都是通过各种分析公式,比如HIS、GRAY、NDVI等,将探测到的信息融合起来,达到了较为准确预测土壤湿度的标准。而本研究通过对比图像的各种空间分析特性,提出了分数阶的植被归一化公式,能够大大提高土壤湿度与图像包含信息的相关系数,保证利用建立的模型预测土壤湿度的准确性。其次,提出了根据无人机图像特点的的图像拼接算法。很多已有的拼接算法已经能够很好的完成图像的镶嵌任务。但是,这些算法运行需要较多的时间,达不到无人机图像拼接的实时要求。出于这个目的,本研究提出了基于局部灰度匹配的图像拼接算法,在图像拼接的过程中融合无人机的飞行特征,大大缩小了图像匹配特征点的搜索范围。并且图像灰度为快速转换的图像特性,在此条件下特征点能够准确、快速匹配,节约了运行成本,达到了无人机图像实时拼接的要求。第三,完成了无人机图像几何校正算法。由于无人机在飞行的过程受到航线、风速等不确定的影响,所拍摄的图像与地面会产生不确定的夹角。本研究提出了无人机图像几何校正算法,能够根据无人机即时记录下的信息,自动完成图像角度的校正,为图像拼接打下基础。第四,提出了基于聚类分析算法的图像分割模型。图像中确定区域的边界对土壤湿度的描述以及农业自动灌溉信息的提取至关重要。通常的分割算法都是基于着色点的分布概率或者图像的特征空间分析进行像素点归类,结果比较粗糙。本研究通过聚类分析算法,根据边界点的梯度以及分布趋势,划分区域边界,效果较好。最后,通过实验验证了之前提出的算法,并且对预测模型的精度进行了分析。结果表明,该模型达到了预测的要求,可以在实际中应用。