La contaminación por metales pesados en el suelo está amenazando el medio ambiente ecológico y la salud humana. Sin embargo, la medición en campo del contenido de metales pesados en el suelo conlleva costos significativos. Por lo tanto, este estudio explora el método de estimación de metales pesados en el suelo basado en imágenes de teledetección y aprendizaje automático. Para estimar con precisión el contenido de metales pesados, proponemos un modelo híbrido de inteligencia artificial que integra el operador de selección y reducción absoluta mínima (LASSO), el algoritmo genético (GA) y la red neuronal de retropropagación de errores (BPNN), denominado modelo LASSO-GA-BPNN. Mientras tanto, este estudio compara la precisión del modelo LASSO-GA-BPNN, SVR (Regresión por Vectores de Soporte), RF (Bosque Aleatorio) y métodos de interpolación espacial tomando como ejemplo la ciudad de Huanghua. Además, el estudio utiliza el modelo LASSO-GA-BPNN para estimar el contenido de ocho metales pesados (incluyendo Ni, Pb, Cr, Hg, Cd, As, Cu y Zn) en Huanghua y visualizar los resultados en alta resolución. Además, calculamos el índice de Nemerow basado en los resultados de estimación. Los resultados indican que la optimización simultánea de BPNN mediante LASSO y GA puede mejorar en gran medida la precisión de la estimación y la capacidad de generalización. El modelo LASSO-GA-BPNN es un modelo más preciso para estimar el contenido de metales pesados en el suelo en comparación con SVR, RF e interpolación espacial. Además, el nivel de contaminación integral en Huanghua es principalmente de baja contaminación. La ley de distribución espacial general de cada contenido de metal pesado es muy similar, y la distribución espacial local de cada metal pesado es diferente. Los resultados son de gran importancia para la estimación de la contaminación del suelo.