土壤水分是水文、气象、农业等研究中的重要参数,尤其在农作物估产模型和农业干旱监测研究中有特别重要的意义。前人在土壤水分反演算法研究上已经做了大量研究工作,但由于影响地表土壤水分的因素较多,各种算法依然存在一些不足。本研究在分析以往反演算法的基础上,总结不同算法的优势和局限性,提出利用具有深度学习特点的卷积神经网络方法(CNN)进行土壤水分反演,从而克服传统土壤水分反演方法的缺陷并提高土壤水分反演的精度。以被动微波AMSR2数据为例,在对土壤水分产品算法进行剖析的基础上,构建了基于卷积神经网络反演土壤水分的模型框架,从而提高反演算法的通用性和反演精度。深度学习卷积神经网络的精度主要取决于训练和测试样本数据库,然而被动微波像元分辨率比较低,以及很难获得与卫星同步的地面实测数据。本文选择不同地区地表均一的土壤水分观测站点,以AMSR2土壤水分产品作为参照来获取地面同步数据,从而克服地面同步观测数据的难题。将AMSR2亮温数据和对应地面同步观测土壤水分数据为样本随机分成训练和测试数据库,通过反复训练,当卷积神经网络选择两个卷积层两池化层的组合,迭代次数3000次时,网络反演的总体精度最高。经过测试样本验证表明,CNN反演土壤水分值与地面同步观测土壤水分的均方根误差RMSE为1.1178%,两者保持了较高相关性(r=0.8685)。以地面站点实测数据对CNN反演结果进行验证,相对误差为39.25%。相比于JAXA产品与实测值的验证结果,CNN反演结果的平均相对误差小10.24%,说明CNN明显提高被动微波遥感土壤水分反演的精度。