快速、无损的获取农田农情信息,可实现对作物的长势监测及作物产量的预测,是管理者获取田间作物长势信息和制定管理决策的必要前提,是实现农业生产精准化管理的重要基础。棉花作为重要的经济作物在国民经济中占重要地位,叶面积指数是预估棉花长势及产量预测等的重要参数指标。地面测量棉花的叶面积指数过程比较复杂、效率较低,若能通过利用无人机飞行平台进行快速监测对于实现农田精准管理具有重要指导意义。本文利用无人机遥感监测平台获取了棉花冠层多光谱图像,构建棉花叶面积指数的反演模型,实现其数值的快速估算。基于作物对不同波段光谱特征的响应,利用实验图像所得的植被指数与地面实测棉花叶面积指数分别采用经验模型法和BP神经网络模型法对棉花的叶面积指数进行反演研究,并对所构建的反演模型进行精度评价,选取最佳的反演模型。本文的主要研究内容和结论如下:（1）实验数据采集。利用大疆M600无人机搭载sequoia相机组成的遥感平台对试验区域的图像进行采集,然后通过Pix4D mapper图像处理软件对所得的试验区域图像进行拼接等预处理工作,使所采集的图像满足试验需求。（2）经验模型法拟合分析。利用经验模型公式,分别构建NDVI-LAI、GNDVI-LAI、NDRE-LAI、RVI-LAI的线性、指数和对数模型进行拟合分析,并利用决定系数（R~2）、均方根误差（RMSE）进行反演模型的精度评价,对比寻找拟合程度最好的LAI反演模型。经过对比分析发现RVI-LAI指数模型估测结果最好,决定系数达到0.9113,其次是NDVI-LAI指数模型、GNDVI-LAI指数模型、NDRE-LAI指数模型,决定系数分别为0.8138、0.5844和0.3478。（3）BP神经网络模型法拟合分析。利用BP神经网络法,构建了NDVI-BP、GNDVI-BP、NDRE-BP、RVI-BP、VI-BP五个BP神经网络拟合模型。并利用决定系数、均方根误差对训练得到的模型进行拟合精度评价,对比寻找拟合精度较高的反演模型。结果发现当输入层为4种植被指数的组合构成的VI-BP神经网络模型拟合效果较最好,决定系数达0.9093,均方根误差达0.3755。（4）模型对比与优选。将较佳的RVI-LAI指数模型、NDVI-LAI指数模型、GNDVI-LAI指数模型、NDRE-LAI指数模型、VI-BP神经网络模型和RVI-BP神经网络模型对60个验证样本进行预测,通过决定系数（R~2）、均方根误差（RMSE）评价预测精度。发现RVI-LAI指数模型的决定系数为0.9113,无论是决定系数和均方根误差来看都要比VI-BP神经网络模型的拟合效果好,因此基于RVI与LAI构建的指数模型反演叶面积指数效果最好。