叶面积指数（leaf area index,LAI）是判断作物生长状况和产量估算的重要参数。传统的叶面积指数测量往往需要进行破坏性采样,测量过程耗时耗力,且结果易受外界影响。随着遥感技术的不断发展,通过无人机遥感技术可以快速获取作物田间信息用以估算叶面积指数,极大提高了作物表型获取效率。目前在大豆中利用无人机搭载多种传感器开展表型研究的报道较少。本研究以包括地方品种和优良品种在内的20个大豆品系为研究对象,通过无人机搭载高光谱、多光谱和激光雷达三种不同的传感器,获取了大豆开花期、结荚期、鼓粒期和成熟期四个时期的田间遥感数据,结合人工获取的同时期大豆LAI实测数据,使用一元线性回归（Unary Linear Regression,ULR）、多元线性回归（Multiple Linear Regression,MLR）、随机森林（Random Forest,RF）、XGBoost、支持向量机（Support Vector Machine,SVM）、多层感知器（Multilayer Perceptron,MLP）、BP神经网络（Back Propagation,BP）和循环神经网络（Recursive Neural Network,RNN）八种算法对大豆LAI进行反演研究。取得的主要结果如下:1.基于高光谱遥感数据提取的原始光谱敏感波段和一阶微分光谱敏感波段、基于多光谱遥感数据提取的优化型土壤调节植被指数（Optimization Soil Adjusted Vegetation Index,OSAVI）和基于激光雷达遥感数据提取的高度比例相关参数,与LAI存在显著关联,可作为大豆LAI估测研究的重要遥感参数。2.通过对比三种类型的遥感数据发现,基于高光谱遥感数据建立的反演模型与基于多光谱遥感数据建立的模型对大豆LAI的反演能力相当,基于激光雷达遥感数据建立的模型反演能力在成熟期相对较差。3.高光谱、多光谱和激光雷达三种遥感数据融合后构建的反演模型与单一的高光谱、多光谱遥感数据构建的反演模型相比反演能力提升不明显,但是融合高光谱和多光谱两种遥感数据对大豆LAI的反演能力具有大幅提升。4.通过对比不同算法构建的大豆LAI反演模型发现,基于单变量构建的反演模型其预测能力和稳定性都不及基于多变量构建的反演模型。其中RF、XGBoost和RNN构建的反演模型是所有模型中反演能力最好的,这三种算法可作为大豆LAI反演的重要参考算法。此外,开花期基于高光谱和多光谱遥感数据融合构建的RF-LAI反演模型表现最好,在建模集上的R~2和RMSE分别为0.8154、0.2420;在验证集上的R~2和RMSE分别为0.7844、0.2701。5.不同时期获取的遥感数据对大豆LAI反演能力差距较大,其中最好的是开花期,成熟期其次,结荚期和鼓粒期较差。综上所述,本研究分析比较高光谱、多光谱和激光雷达三种传感器对大豆叶面积指数的反演能力、不同算法构建的基于单变量和多变量的反演模型,以及融合高光谱和多光谱遥感数据的最佳反演模型等,研究结果为大豆LAI反演遥感探头的选择、反演算法选择提供了理论参考,也为大豆高通量表型获取提供了新思路。