当前利用雷达卫星反演土壤水分主要为Radarsat-2和Sentinel-1,对国产GF3数据进行土壤水分研究相对较少。为此本文基于GF3雷达数据、Landsat8光学数据和野外实测参数,结合PROSAIL模型、AIEM模型及水云模型,以河北省栾城县拔节期的小麦为研究对象,构建了GF3同极化数据的高低入射角土壤水分估算公式和通过粒子群改进的极限学习机算法两种方法。主要有以下三方面:（1）基于水云模型获取了GF3同极化数据的土壤直接后向散射系数。首先通过PROSAIL模型、野外实测参量及Landsat8影像从八个植被水分指数中优选出最佳指数:归一化差异水分指数NDWI₁₆₄₀;之后结合AIEM模型、实测地表参数及GF3原始影像率定了水云模型中A,B值,并利用landsat8反演的植被冠层含水量和GF3原始影像剔除了小麦影响,获取了GF3土壤直接后向散射系数影像VV_soil、HH_soil。通过分析可知,所获得的VV_soil、HH_soil与AIEM模型模拟的VV_AIEM、HH_AIEM具有一致性,其中VV极化的R²=0.8427,HH的R²=0.8216。（2）基于AIEM模型的GF3高低入射角数据土壤水分估算公式。通过AIEM模型刻画了多种参数不同范围下的各种因子的后向散射系数值VV_AIEM、HH_AIEM,经过研究各种因子与其相关性后,发展了土壤水分反演模型。并利用49°和29°的GF3土壤直接后向散射系数影像VV_soil、HH_soil获取了表征地表起伏状况的组合粗糙度sl,从而实现了土壤水分反演。经精度验证可知:VV_soil、HH_soil都能较好反演土壤水分,其中VV_soil的精度较高,R²=0.5956,RMSE=0.0415m³m^-3,而HH_soil精度较低,R²=0.4737,RMSE=0.0538m³m^-3。（3）基于优化极限学习机算法的土壤水分反演。通过粒子群算法迭代寻找到的全局最优值来产生极限学习机的输入权重和中间层偏置,以弥补极限学习机输入权重和中间层偏置的随机性。通过VV极化和HH极化100次迭代误差分析可知,VV极化数据训练效果比HH极化好;同时,据预测结果可知,VV_soil优于HH_soil,其中VV_soil的R²=0.6436,RMSE=0.0456 m³m^-3。因此最终基于VV_soil数据获取了土壤水分信息,而据反演结果可知:通过VV_soil获取到的土壤水分反演值与实际测量值具有不错相关性,其中R²=0.4556,RMSE=0.0568 m³m^-3。