叶面积指数（Leaf Area Index,LAI）是表征作物生长和产量的一个重要指标。目前,基于传统遥感技术的LAI估算已广泛应用于农林业监测并取得了一定成就,但由于成本效益低、工作繁复、受影像空间分辨率和光谱分辨率相互制约等因素影响,难以满足精细尺度LAI实时精准估算的需求。近年来,无人机技术和高光谱成像的深度交叉融合,成为未来大面积获取农作物厘米级超高分辨率、小时级即时响应的高光谱遥感数据的主要途径之一,为实时、准确估算农作物LAI提供了新的数据支撑。机器学习方法对于非线性问题具有更好的适应力,能够更好地利用光谱信息。通过UAV高光谱数据集成机器学习的方法估算作物LAI,从而更好的达到农作物灾害预防,精细化田间管理的目的。玉米是我国种植最广泛的粮食作物,其生理特征具有较强的代表性,估算玉米LAI对其他粮食作物有较强迁移性和借鉴意义。本研究在禹城市的中国科学院地理科学与资源研究所农业综合实验站开展了玉米田间栽培试验。此试验利用多旋翼无人机获取玉米高光谱遥感影像,并同步实测地基LAI数据,系统探究了基于无人机高光谱数据的玉米LAI估算问题,主要研究内容与相应结论如下:1.对于玉米LAI特征响应波段的获取,利用PROSAIL模型模拟了玉米冠层反射率,并结合相关性分析,获取玉米LAI特征响应波段为516、636、702、760和867nm。特征响应波段与玉米LAI的相关性系数分别为-0.82^**、-0.84^**、-0.84^**、0.66^**和0.69^**（p<0.01）。其中702nm、636nm与玉米LAI相关性系数最大,具有提高LAI估算精度的潜力。2.对比高光谱数据变化、玉米高光谱位置和面积特征信息、PROSAIL模型的特征响应波段和植被指数四种方法,发现组合两个或多个波段的特征响应波段能够增强对玉米LAI的响应,其中NDVI、RVI、r NDVI、m NDVI、EVI2和OSAVI6种植被指数与玉米LAI具有高度相关性,适用于玉米LAI估算。3.基于机器学习算法的LAI估算模型的预测能力明显优于经验统计法,其中基于随机森林回归的LAI估算模型的预测精度（C-R2=0.93、V-R2=0.91、C-RMSE=0.06、V-RMSE=0.07）优于其他机器学习模型,最适合对山东禹城市地区农作物LAI反演。