叶面积指数（Leaf Area Index,LAI）是衡量作物生长状况和产量的一个重要指标,传统获取叶面积指数多采用人工测量方法,会造成人力物力浪费,且对作物叶片有一定破坏性,影响作物生长,在大尺度田间管理方面不易推广。针对叶面积指数难以快速,准确和大范围获取的问题,利用2018年内蒙古自治区鄂尔多斯市昭君镇实地采集的玉米叶面积指数和株高,结合同时期的无人机多光谱影像,选择与玉米LAI相关性较强的8种植被指数以及株高作为反演叶面积指数的输入变量,采用梯度提升树（Gradient Boosting Decision Tree,GBDT）算法建立植被指数及株高与叶面积指数之间的预测模型,并与支持向量回归（Support Vector Regression,SVR）算法和随机森林（Random Forest,RF）算法建立的模型进行预测精度对比。论文的主要研究内容及成果如下:（1）估算变量提取与样本分组。构建机器学习算法模型前,通过分析叶面积指数相关属性特征,发现红光波段和近红外波段的反射率与作物叶片的特征最为密切相关且有别于其他地物,株高同样表现出与LAI的强相关性,因此可提取波段信息组合成多种植被指数,融合株高信息作为LAI估算的常用变量;为保证模型的适用性和科学性,将总训练样本重复分为3组,每个样本组利用保留交叉验证的方法划分为65%的训练集和35%的验证集;基于皮尔逊相关系数分析样本组1、2、3中8种植被指数、株高与叶面积指数的相关性,结果表明,所选取的8种植被指数与LAI相关性系数均在0.66以上（P（27）0.01）,株高与LAI相关指数平均大于0.71（P（27）0.01）。因而可选择NDVI、RVI、SAVI、OSAVI、EVI2、RDVI、MASVI、TVI和株高作为模型的输入变量。（2）叶面积指数估算方法。利用支持向量回归、随机森林和梯度提升树算法进行叶面积指数估算研究。三个算法分别进行每一算法有株高和无株高（仅8种植被指数）的横向算法精度对比,以及三个算法间的纵向精度对比。实验证明:在每一算法构建模型的横向对比分析可知,添加株高的三个算法模型叶面积指数估算精度分别高于对应的仅多光谱8种植被指数的估算精度。在添加株高的三个算法精度纵向对比分析可知,梯度提升树算法玉米叶面积指数估算方法体现出优于支持向量回归算法和随机森林算法的性能,是三个方法中估算玉米LAI精度最高的算法,该算法通过每次增加问题样本的权值,以上一次计算结果残差作为新一轮的训练数据,可较准确反演玉米LAI。因此挑选出梯度提升树算法中决定系数为0.7558性能最佳的样本组2模型,利用此训练模型针对第九次（8月23日）实验数据,对研究区域玉米LAI进行反演验证。通过分析每一研究分区反演值与实际值的平均值、最大值和最小值,来确定梯度提升树算法模型的准确性,研究表明反演结果与实测结果基本一致。