现代精确农业的着重点在于高效、无损的作物长势监测以及迅速、精准的作物产量预测,无人机技术和遥感光谱图像为其提供了更便捷、更有效、更智能的新方法,这也是监测作物生长和预测作物产量的未来发展趋势。谷子是山西省改革农业供给侧结构、调整种植产业结构、大力发展优势杂粮的重点作物之一,亟需构建基于无人机技术和多光谱图像的谷子长势监测与产量预测模型,以期为大面积农田谷子生长的实时监测和产量预测提供有效技术支撑。本研究以30个不同品种的谷子为研究对象,在山西农业大学谷子种植基地进行谷子田间生长栽培试验,采用四旋翼无人机搭载五波段多光谱相机,采集谷子抽穗期、灌浆期多光谱图像,从中提取谷子冠层反射率并计算了10种常用植被指数,同步破坏性取样采集谷子叶面积指数、叶绿素指数、产量,使用皮尔逊相关性检验方法筛选出相关性较高的指标,使用线性回归、深度学习两种方式构建谷子长势监测模型和产量预测模型,通过计算均方根误差（RMSE）和平均绝对误差（MAE）分析模型的精度。取得的主要结果如下:（1）在抽穗期和灌浆期,均为归一化植被指数（NDVI）、比值植被指数（RVI）、优化土壤调节植被指数（OSAVI）与叶面积指数达到高度相关,在抽穗期,基于OSAVI构建的模型对谷子叶面积指数的监测效果最好,检验模型的决定系数R~2为0.98,RMSE和MAE分别为0.02和0.01。在灌浆期,基于NDVI构建的模型对谷子叶面积指数的监测效果最好,检验模型的R~2为0.89,RMSE和MAE分别为0.04和0.03。（2）在抽穗期,绿波段比值植被指数（GRVI）、绿边叶绿素指数（CIgreen）、绿波段归一化植被指数（GNDVI）与叶绿素指数达到高度相关,其中,基于GNDVI构建的模型对谷子叶绿素指数的监测效果最好,检验模型的R~2为0.90,RMSE和MAE分别为13.97和12.28。在灌浆期,差值植被指数（DVI）、土壤调节植被指数（SAVI）、优化土壤调节植被指数（OSAVI）与叶绿素指数达到高度相关,其中,基于DVI构建的模型对谷子叶绿素指数的监测效果最好,检验模型的R~2为0.90,RMSE和MAE分别为3.88和3.45。（3）在抽穗期,比值植被指数（RVI）、归一化植被指数（NDVI）与产量达到高度相关,其中,基于RVI构建的模型对谷子产量的监测效果最好,检验模型的R~2为0.85,RMSE和MAE分别为14.47和10.79。在灌浆期,绿波段比值植被指数（GRVI）、绿波段归一化植被指数（GNDVI）、绿边叶绿素指数（CIgreen）与产量达到高度相关,其中,基于GNDVI构建的模型对谷子产量的监测效果最好,检验模型的R~2为0.90,RMSE和MAE分别为19.02和13.95。（4）对比两种建模方法,得出深度学习建模效果优于线性回归,所得模型精度较高,且无人机多光谱图像可以有效监测谷子长势以及预测产量。