为了通过植被指数(VI)准确、可靠的获取不同施肥梯度、不同品种的水稻叶面积指数(LAI),本文提出了一种基于改进的QGA-ELM算法应用于水稻LAI反演。该模型首先通过8折交叉验证确定极限学习机(ELM)最佳的隐含层神经元个数与隐含层激活函数类型。再对QGA算法提出如下改进措施:引入组合动态旋转角策略即舍弃查找表,直接通过比较当前二进制解与最优的二进制解来计算旋转角大小以及旋转角的方向,并结合进化代数,解决量子遗传算法计算量大、后期寻优结果不稳定的问题;引入单点混沌交叉操作,使得原始解改动很小,避免量子遗传算法在组合优化中产生的寻优斗振问题,提高算法的收敛精度;引入混沌变异操作,通过混沌序列模拟种群内在变异规律,实现各代种群的多样性,为算法跳出局部最优,寻找全局最优提供重要保障;引入确定性选择策略,避免了因旋转、交叉、变异产生的不良个体影响,使得父代优良个体完全保留下来;引入量子灾变操作,对种群施加大的扰动效果,增大种群寻得全局最优解的可能性,降低算法陷入局部最优解概率。以此对QGA算法进行改进。最后使用改进后的QGA算法优化ELM神经网络输入层到隐含层之间的连接权值和隐含层的阈值。为了验证该模型普适性和有效性,本文依次建立多元线性回归、BP、ELM、QGA-ELM、改进的QGA-ELM算法五种模型,通过不同数据集上水稻LAI反演效果筛选出最佳模型,并结合无人机遥感、卫星遥感,分别对庆安久宏农业园区、庆安县全境LAI进行遥感监测。结果表明:(1)对比QGA-ELM算法和改进的QGA-ELM算法进化过程,本文改进的算法能有效提升模型寻优能力,避免算法早熟,且能寻得更优结果。(2)对比五种算法在不同数据集上的反演效果,验证了NDVI、RVI与LAI之间主要为非线性关系,且针对这种非线性关系,ELM神经网络模型反演效果要优于BP神经网络模型和多元线性回归模型。(3)改进的QGA-ELM算法在各种施肥梯度上均具有最高反演精度和最低误差,且精度较高,能为不同生长状况水稻LAI反演提供依据。(4)五种模型对庆和香LAI反演精度均要高于龙稻18,而改进的QGA-ELM算法在不同水稻品种上依然具有较高的反演精度,且在不同水稻品种上反演精度相差极小,远低于其它四种模型,能很好适应不同水稻品种LAI反演要求,极大提升模型的稳定性性,为不同水稻品种反演提供参考意义。(5)无人机遥感数据反演水稻LAI出现反演精度下降,反演误差升高,但反演结果仍然处于合理范围,使用地面精准测量的数据构建的反演模型能为无人遥感反演提供有益补充。(6)卫星遥感反演结果表明,庆安县南部植被种植情况要整体优于北部,庆安县北部出现较多低LAI区域,北部地区需要进一步加强农作物种植管理。