玉米作为我国主要的农作物之一,现已成为我国种植面积最大的作物,实时开展玉米生长监测具有重要意义。叶面积指数是（Leaf Area Index,LAI）是评定作物生长情况的一个重要指标。利用无人机多光谱遥感对玉米LAI进行实时有效的监测,可为玉米田间科学管理提供技术支撑。本研究利用无人机Red Edeg多光谱相机获取试验区多光谱数据,同步获取地面LAI数据,计算并分析筛选最佳植被指数,分别构建估测模型,同时对机器学习模型进行粒子群算法优化,筛选出最优反演模型。结果如下:（1）植被指数筛选。通过对常用的10种植被指数与LAI进行相关性分析,筛选出NDVI、GNDVI、RVI、MSR、WDRVI相关性较高的五种植被指数,其中,以拔节期的相关性最高,分别为0.805、0.754、0.688、0.668、0.782。（2）线性回归预测模型的构建。将上述5种相关性较高的植被指数分别与玉米LAI值进行一元线性和多元线性回归模型的构建。一元线性回归模型以拔节期的NDVI-LAI模型和抽雄期的GNDVI-LAI模型决定系数R~2较高,分别为0.700、0.700;多元线性回归模型则以多生育时期模型决定系数R~2最高,为0.701。（3）基于机器学习算法的预测模型构建。利用支持向量机和BP神经网络构建LAI估测模型,模型R~2分别为0.701和0.737,高于线性回归模型。对模型进行粒子群算法优化,支持向量机模型决定系数R~2达到了0.822,均方根误差为0.267;BP神经网络模型R~2达到0.904,均方根误差为0.196。结果表明粒子群算法可以实现模型优化,提高模型预测精度。（4）玉米LAI空间分布反演。利用所获得的最优模型对玉米LAI值进行空间分布反演,与实测值较为接近,反演效果较好。表明利用无人机多光谱遥感对作物进行生长监测是可行的。