土壤湿度的监测是全球卫星导航系统干涉测量法(GNSS-IR)的关键应用之一。针对如何有效改善GNSS-IR土壤湿度反演中存在的卫星信号混杂、地表粗糙度和植被等环境带来的散射影响，提出了一种自适应噪声的完全集合经验模态分解(CEEMDAN)与BP神经网络(BPNN)模型相结合的土壤湿度反演方法。该方法利用CEEMDAN法替代了传统的多项式拟合法，从而获取相应的本征模态函数，进而提取振幅和相位作为输入数据，并利用PBO H_2O的土壤湿度值作为期望值，构建基于BP神经网络算法的土壤湿度反演模型。实验表明：基于CEEMDAN-BP模型得到的反演结果与实测数据在大体上趋于一致，其均方根误差RMSE为0.021 7,决定系数R~2为0.931 8。进一步对比分析发现，利用CEEMDAN-BP模型反演土壤湿度明显优于线性回归模型和BPNN模型，证明了该方法的精确性和可靠性。