采用无人机平台搭载光谱设备开展田间作物表型监测具有快速、无损等优势,对作物育种和栽培优化具有重要意义。本研究以山西农业大学武家堡有机旱作基地种植的高粱为研究对象,获取25 m、35 m和45 m不同高度下多光谱影像数据,并利用破坏性方法同步获取地面标定样方中高粱关于叶绿素含量（SPAD）、叶面积（LAI）和生物量（AGB）指标的数据;利用获取的数据基于重建的二维拼接正射影像方法计算9光谱植被指数（VI）;利用多元统计分析法和机器学习算法,分别以SPAD、LAI以及AGB作为因变量,通过平均绝对误差（MAE）和均方根误差（RMSE）进行评价,构建并筛选出不同高度下的最佳VI组合预测模型,并对全生育期表型数据进行预测。主要结果如下:（1）当SPAD作为模型的因变量时:数据采集在高度25 m条件下,筛选出基于GRVI、GNDVI、ARVI构建的SVM模型预测效果最好,MAE为12.054,精度较高,RMSE为19.054,稳定性较好;高度为35 m条件下,基于OSAVI、SAVI、GNDVI、ARVI构建的随机森林模型优于高度为45 m条件下,基于ARVI、OSAVI、GNDVI、SAVI构建的SVM模型。（2）LAI作为模型的因变量时:数据采集在高度35 m条件下,基于NDVI、OSAVI、ARVI、GNDVI构建的SVM模型预测效果最好,MAE为0.163,精度较高,RMSE为0.195,稳定性较好;高度为25 m条件下,基于ARVI、GNDVI、OSAVI、GRVI构建的随机森林模型优于高度为45 m条件下,基于NDVI、RVI构建的随机森林模型。（3）AGB作为模型的因变量时:在高度为25 m条件下,基于NDVI、RVI、OSAVI、ARVI构建的随机森林模型预测效果最好,MAE为0.071,精度较高,RMSE为0.107,稳定性较好;高度为35 m条件下,基于NDVI、RVI、OSAVI、ARVI构建的随机森林模型优于高度为45 m条件下,基于NDVI、RVI、GNDVI构建的随机森林模型。（4）综合比较一元线性回归模型、多元线性回归模型、随机森林模型和SVM模型对高粱SPAD、LAI、AGB的预测精度,得出:机器学习预测模型效果优于线性回归模型,所得模型精度较高;同一指标下,高度为25 m和35 m的模型预测效果要优于45 m的模型预测效果,且利用最优模型预测高粱表型空间分布图。