La predicción rápida y precisa del rendimiento de los cultivos y la construcción de modelos óptimos de predicción de rendimiento son importantes para guiar las prácticas de manejo agronómico a escala de campo en la agricultura de precisión. Este estudio seleccionó el índice de área foliar (LAI) del trigo de invierno (L.) en cuatro etapas diferentes, y recopiló información espectral del dosel y extrajo índices de vegetación a través de sensores multiespectrales de vehículos aéreos no tripulados (UAV) para establecer el modelo de predicción de rendimiento bajo la condición de fertilizante de nitrógeno de liberación lenta y propuso estrategias de fertilización óptimas para el aumento sostenible del rendimiento en el trigo. Los resultados de la predicción se evaluaron utilizando métodos de bosque aleatorio (RF), máquina de soporte vectorial (SVM) y red neuronal de retropropagación (BPNN) para seleccionar el índice espectral óptimo y establecer modelos de predicción de rendimiento. Los resultados mostraron que el LAI tiene una correlación positiva significativamente alta con el rendimiento en las cuatro etapas de crecimiento del trigo de invierno, y el coeficiente de correlación en la etapa de floración alcanzó 0.96 en 2018-2019 y 0.83 en 2019-2020. Por lo tanto, la predicción del rendimiento para el trigo de invierno podría lograrse a través de una estimación de teledetección del LAI en la etapa de floración. Se modelaron seis índices de vegetación calculados a partir de datos de reflectancia derivados de UAV contra el LAI, demostrando que el índice de vegetación de borde rojo (CI) logró una precisión superior en la estimación del LAI para la predicción del rendimiento del trigo de invierno. Se utilizaron modelos de RF, SVM y BPNN para evaluar la precisión y exactitud del CI en la predicción del rendimiento, respectivamente. Se encontró que el RF superó tanto al SVM como al BPNN en la precisión de la predicción del rendimiento. El CI de la etapa de floración fue el mejor índice de vegetación y etapa para estimar el rendimiento del trigo de invierno basado en la teledetección UAV. Bajo diferentes tasas de aplicación de N, tanto los rendimientos predichos como los medidos exhibieron una tendencia consistente que siguió el orden de SRF (fertilizante de nitrógeno de liberación lenta) > SRFU1 (mezcla de TU y SRF en una proporción de 2:8) > SRFU2 (mezcla de TU y SRF en una proporción de 3:7) > TU (urea tradicional). La tasa óptima de fertilizante de N y el tipo de fertilizante de N para el trigo de invierno en este estudio fueron 220 kg ha y SRF, respectivamente. Los resultados de este estudio proporcionarán un apoyo técnico significativo para el monitoreo del crecimiento de cultivos regionales y la predicción de rendimiento.