土壤盐渍化是干旱-半干旱地区灌溉农业面临的主要问题,及时、准确的获取土壤含盐量信息,对防治土壤盐渍化以及灌溉农业建设有着重要意义。无人机多光谱遥感技术可以快速、精准的大面积获取土壤和作物光谱信息并反映其光谱特征,为估算和监测土壤含盐量的动态变化提供了有力保障。因此,本研究以河套灌区沙壕渠灌域内的四个不同盐渍化程度的典型地块为研究区域,在春灌前后以及作物覆盖期采集土壤含盐量数据,并同步获取无人机多光谱遥感图像,提取光谱波段反射率以及计算得到多种光谱指数。分析不同时期内光谱变量（光谱波段反射率和光谱指数）与土壤含盐量的相关性,采用变量选择方法筛选出敏感光谱变量,同时结合不同的建模方法构建土壤含盐量估算模型,并利用精度评价指标对估算模型做出精度评价,从中优先出不同时期的最佳土壤含盐量估算模型,基于此绘制出研究区域不同时期的土壤含盐量分布图。本研究得到的主要结果如下:（1）构建了春灌前后的土壤含盐量估算模型,并绘制了基于最佳估算模型的研究区域土壤含盐量分布图。采用变量投影重要性指标（VIP）、竞争性自适应重加权算法（CARS）和遗传算法（GA）可以有效筛选出敏感光谱变量,且GA算法效果最好,CARS次之,VIP效果最差。春灌前后基于变量选择方法的BP神经网络（BPNN）模型的预测精度要高于多元线性回归（MLR）模型,且与CARS和VIP相比,春灌前后基于GA算法的BPNN模型的预测精度更高（RP2分别为0.78和0.80）。且从土壤含盐量分布图中发现,研究区内土壤以非盐渍土和轻度盐渍土为主,春灌前土壤含盐量要高于春灌后,且土壤盐渍化程度越高变化越明显。（2）构建了基于光谱反射率的作物覆盖期不同深度土壤含盐量估算模型。不同深度下的土壤含盐量与各光谱波段反射率均通过了显著性检验,且相比于0～10cm和20～40cm深度,在10～20cm深度处的土壤含盐量与各光谱波段反射率的相关性更高。在估算土壤含盐量中,发现利用机器学习算法构建的模型精度高于MLR模型。在10～20cm深度处利用BPNN构建的土壤含盐量模型估算效果最好（RP2为0.584）,ELM模型次之,SVM模型最差;利用极限学习机（ELM）在0～10cm和20～40cm深度处构建的土壤含盐量估算模型精度最高（RP2分别达到了0.424和0.278）,BPNN模型次之,支持向量机（SVM）模型最差。（3）构建了基于改进光谱指数的作物覆盖期不同深度土壤含盐量估算模型,并绘制了不同深度的土壤含盐量分布图。在传统光谱指数的基础上引入红边波段建立改进光谱指数,并采用弹性网络回归算法（ENET）对光谱变量进行筛选,发现筛选后的光谱变量数目明显减少,且基本都通过了显著性检验。在估算土壤含盐量中,发现基于改进光谱变量组构建的估算模型精度均高于原始光谱变量组,其中在10～20 cm土壤深度建立的ENET-ELM模型估算精度最高（RP2和CC2分别达到了0.783和0.875,RMSEP为0.141%）,其次是0～10 cm,20～40 cm效果最差。基于改进光谱变量组构建的最佳估算模型绘制的土壤含盐量分布图可以较为真实的反映研究区内的土壤盐渍化程度,表明引入红边波段构建光谱指数用于估算土壤含盐量是可行的。