叶面积指数（Leaf Area Index,LAI）是反映作物长势和预测产量的一个重要指标。传统的植被LAI测量方法多为野外实地测量,费时、费力,且缺乏快速获取大范围植被LAI的有效手段。由于无人机具备高效灵活的特点,无人机遥感可为作物植被LAI监测提供一种更为便捷的方法,能够对苹果树LAI实时进行有效的监测,为果园的科学管理提供技术支撑。以山东省栖霞市博士达果园为研究区,以盛果期的苹果树冠层为研究对象,于2020年6月中下旬,采用LAI-2200植物冠层分析仪对果树冠层的LAI进行实地测量,同步以大疆M600Pro六旋翼无人机为平台,搭载Sequoia农业多光谱相机,获取果园的遥感影像。对原始影像进行预处理和光谱反射率提取,分析了果树冠层光谱特征,通过不同波段反射率的组合计算植被指数,并分别对单波段反射率和植被指数做与果树冠层LAI的相关性分析,筛选与LAI相关性较高的敏感波段,构建了植被指数光谱参数,建立了果树冠层LAI估测模型,并进行对比分析,筛选出了苹果树冠LAI的最佳估测模型。主要研究结果如下:（1）筛选了与苹果树冠LAI相关性较高的波段,构建了植被指数在经过预处理的果园多光谱影像中,提取出苹果树冠层在绿光、红光、红边和近红外波段的反射率,计算21种可用的植被指数,分别为NDVI、RVI、DVI、PVI、SAVI、TNDVI、RDVI、MSR、MSAVI、OSVAI、TVI、CRI、MCARI、NGRDI、RI、GRVI、GNDVI、RGRI、WDRVI、NLI和MTVI2,通过与果树冠层LAI进行相关性分析,以绿光、红光波段为敏感波段,结合与LAI相关性最高的GNDVI构建光谱参数。（2）建立了苹果树冠LAI估测模型并进行精度检验以简单随机抽样、K-S算法和含量梯度法抽样将原始数据划分为训练集和验证集,以绿光、红光、红边和近红外波段的反射率和构建的光谱参数为自变量,苹果树冠LAI为因变量,分别建立了偏最小二乘回归、随机森林回归、支持向量机回归和BP神经网络模型,并对估测模型进行精度检验。综合不同模型的决定系数R~2、均方根误差RMSE和相对分析误差RPD作为估测精度的评价标准。（3）确定了苹果树冠LAI的最佳估测模型通过对所有建立的苹果树冠LAI估测模型进行精度对比发现,3种数据划分方法分别建立的4种模型中,以含量梯度法建立的模型总体表现优于简单随机抽样和K-S算法抽样建立的模型,且以BP神经网络模型对苹果树冠LAI的估测精度较高。其中,以含量梯度法抽样建立的BP神经网络模型决定系数R~2为0.815,均方根误差RMSE为0.121,相对分析误差RPD为1.810,在所有建立的模型中对苹果树冠LAI的估测效果最佳。