Las observaciones de teledetección por satélite tienen el potencial de mapear de manera eficiente y confiable las distribuciones espaciales de humedad del suelo. Sin embargo, las recuperaciones de humedad del suelo a partir de datos de teledetección activa por microondas son típicamente complejas debido a la dificultad inherente de caracterizar las interacciones entre los parámetros de la superficie terrestre que contribuyen al proceso de recuperación. Por lo tanto, las descripciones físico-matemáticas adecuadas de la interacción del retrodispersión de microondas con parámetros como la cobertura del suelo, la densidad de la vegetación y las características del suelo no están fácilmente disponibles. En tales condiciones, se podrían utilizar modelos no paramétricos como una posible alternativa para comprender mejor el impacto de las variables en el proceso de recuperación y relacionarlo en ausencia de una formulación exacta. En este estudio, se utilizan métodos no paramétricos como redes neuronales y lógica difusa para recuperar la humedad del suelo a partir de datos de teledetección activa por microondas. La inclusión de características del suelo y el Índice de Vegetación de Diferencia Normalizada (NDVI) derivado de mediciones infrarrojas y visibles ha mejorado significativamente las recuperaciones de humedad del suelo y reducido el error cuadrático medio (RMSE) en alrededor del 30% en las recuperaciones. La humedad del suelo derivada de estos métodos se comparó con la humedad del suelo ESTAR (RMSE ~4.0%) y las mediciones de humedad del suelo en campo (RMSE ~6.5%). Además, el estudio mostró que las recuperaciones de humedad del suelo de áreas altamente vegetadas son menos precisas que las de áreas de suelo desnudo.