Los datos de humedad del suelo (SM) con alta resolución espaciotemporal y precisión son cruciales para investigar el clima, la hidrología y la agricultura. Los productos de SM existentes aún no satisfacen las demandas de alta resolución espaciotemporal. El objetivo es desarrollar y evaluar un marco de recuperación para derivar estimaciones de SM con alta resolución espacial (100 m) y temporal (<3 días) que se pueda utilizar a escala nacional en China. Por lo tanto, este estudio integra datos de múltiples fuentes, incluidos datos de teledetección óptica (RS) de Sentinel-2 y Landsat-7/8/9, datos de radar de apertura sintética (SAR) de Sentinel-1 y datos auxiliares. Se aplican cuatro algoritmos de aprendizaje automático y aprendizaje profundo, incluidos la regresión de bosque aleatorio (RFR), el aumento de gradiente extremo (XGBoost), las redes de memoria a largo y corto plazo (LSTM) y el aprendizaje en conjunto (EL). El marco integrado (IF) considera tres escenarios de características (SC1: RS óptico + datos auxiliares, SC2: SAR + datos auxiliares, SC3: RS óptico + SAR + datos auxiliares), abarcando un total de 33 características. Los resultados son los siguientes: (1) Los coeficientes de correlación (r) entre los datos auxiliares (como la fracción de arena, r = -0.48; fracción de limo, r = 0.47; y evapotranspiración, r = -0.42), características de SAR (como los coeficientes de retrodispersión para VV-pol (vv0), r = 0.47) y características de RS óptico (como los datos de reflectancia de la Banda 2 del Infrarrojo de Onda Corta (SWIR2) de Sentinel-2 y Landsat-7/8/9, r = -0.39) con el SM observado son significativos. Esto indica que los datos de múltiples fuentes pueden proporcionar información complementaria para el monitoreo de SM. (2) En comparación con XGBoost y LSTM, RFR y EL demuestran un rendimiento general superior y son los modelos preferidos para la predicción de SM. Su R2 para los conjuntos de entrenamiento y prueba supera 0.969 y 0.743, respectivamente, y su ubRMSE está por debajo de 0.022 y 0.063 m3/m3, respectivamente. (3) La precisión de la predicción de SM es más alta para el escenario de óptico + SAR + datos auxiliares, seguido de SAR + datos auxiliares, y finalmente óptico + datos auxiliares. (4) Con un aumento del Índice de Vegetación de Diferencia Normalizada (NDVI) y valores de SM, los modelos entrenados muestran una disminución general en el rendimiento y la precisión de la predicción. (5) En 2021 y 2022, sin considerar la cobertura de nubes, el IF logró teóricamente un tiempo de revisita de SM de 1-3 días en el 95.01% y el 96.53% del área de China, respectivamente. Sin embargo, SC1 pudo lograr un tiempo de revisita de 1-3 días en el 60.73% del área de China en 2021 y el 69.36% en 2022, mientras que el área cubierta por SC2 y SC3 en este tiempo de revisita representó menos del 1% del área total de China. Este estudio valida la efectividad de combinar datos de RS de múltiples fuentes con datos auxiliares en el monitoreo de SM a gran escala y proporciona nuevos métodos para mejorar la precisión de recuperación de SM y la cobertura espaciotemporal.