为探讨基于神经网络对小麦地上部生物量（aboveground biomass, AGB）进行遥感估测的可行性，在江苏省泰州泰兴市、盐城大丰区和宿迁沭阳县布设冬小麦大田试验，在对冬小麦近红外波段反射率(near-infrared band reflectance, REFnir)、红光波段反射率(red band reflectance, REFred)、归一化差值植被指数（normalized difference vegetation index, NDVI）、差值植被指数（difference vegetation index, DVI）、比值植被指数（ratio vegetation index, RVI）、土壤调节植被指数（soil adjusted vegetation index, SAVI）和优化土壤调节植被指数（optimized soil adjusted vegetation index, OSAVI）等7个遥感光谱指标与冬小麦生长指标（LAI和AGB）进行相关性分析基础上，构建基于BP神经网络的冬小麦AGB估测模型，并与多元线性回归估测模型进行精度比较。结果表明，冬小麦拔节期REFred、NDVI、RVI、SAVI、OSAVI和LAI与AGB之间存在较好相关性，其中LAI与AGB的相关性最高（相关系数为0.782）,SAVI与AGB的相关性最低（相关系数为0.647）。利用BP神经网络建立的冬小麦AGB估测模型AGBBP的决定系数（r~2）为0.918,均方根误差（root mean square error, RMSE）为582.9 kg·hm-2,平均相对误差（average relative error, ARE）为18.4%。利用多元线性回归分析建立的冬小麦AGB估测模型AGBRA的r~2为0.784,RMSE为871.1 kg·hm-2, ARE为32.6%。利用冬小麦抽穗期AGB实测数据再对模型AGBBP和AGBRA进行验证，其RMSE分别为1 140.4和1 676.7 kg·hm-2, ARE分别为20.5%和33.1%。由此可以看出，冬小麦估测模型AGBBP精度优于模型AGBRA,说明利用多个遥感光谱指标结合LAI建模可以有效提高冬小麦AGB的估测精度。