数值模型是模拟非饱和土壤中水分运动的强大工具。然而,由于土壤天然具有的非均匀性以及观测资料的缺乏,我们通常并不能在模型参数完全已知的情况下进行模拟预测。利用有限的观测数据对模型进行校正,以期得到更加精准的预测结果,这就是所谓的数据同化问题。集合卡尔曼滤波算法在水文数据同化问题中的应用越来越普遍。作为一种基于蒙特卡罗模拟的算法,通常需要足够大的样本数量来保证其精度。本文的研究目标在于发展一种更加高效的基于概率配点卡尔曼滤波的数据同化方法,提高非饱和水分数据同化的效率。作为一种替代蒙特卡罗模拟的方法,概率配点卡尔曼滤波算法利用混沌多项式来表示和传递模型参数和状态的不确定性。在一定条件下,混沌多项式能比传统的蒙特卡罗法更加有效地量化系统的不确定性。然而,随着参数个数和模型非线性的增加,概率配点卡尔曼滤波算法的计算量会急剧增大,甚至会超过传统的集合卡尔曼滤波。此外,对于强非线性模型,传统的将参数和状态进行联合更新的处理方法不能给出准确的估计结果。基于最新的不确定性量化理论和集合卡尔曼滤波算法,我们提出一种改进的自适应概率配点卡尔曼滤波算法,并将其应用到非饱和土壤水分运动的数据同化问题中。改进的自适应概率配点卡尔曼滤波算法在执行过程中,在每一个同化步都可以自动识别出重要的参数,并选择出重要的混沌多项式基函数；此外,在每一步的更新完成后重新回到初始时刻进行状态预测,这可以消除更新之后参数和状态之间的不一致性。为验证方法的有效性,我们做了详细的数值模拟验证。结果显示：自适应和重新回到初始时刻进行状态预测这两种手段可以大大提高非饱和土壤水力参数的反演精度,同时有效地减少了计算代价；基于自适应概率配点的卡尔曼滤波算法要优于同等计算量条件下的集合卡尔曼滤波算法。