Para mejorar la precisión de la inversión de imagen multiespectral del desarrollo analítico del suelo y las plantas (SPAD) del dosel de algodón, se utilizaron métodos de segmentación de imagen para eliminar la interferencia de fondo, como el suelo y la sombra en las imágenes multiespectrales de UAV. Las imágenes multiespectrales de UAV de los dosel de algodón en etapa de capullo a tres alturas diferentes (30 m, 50 m y 80 m) fueron adquiridas. Se utilizaron cuatro métodos, a saber, umbralización de índice de vegetación (VIT), clasificación supervisada por máquina de vectores de soporte (SVM), análisis de mezcla espectral (SMA) y análisis de mezcla espectral de múltiples endmembers (MESMA), para segmentar algodón, suelo y sombras en las imágenes multiespectrales de algodón. Las imágenes multiespectrales de UAV segmentadas se utilizaron para extraer la información espectral del dosel de algodón, y se calcularon ocho índices de vegetación para construir el conjunto de datos. Se utilizaron regresión de mínimos cuadrados parciales (PLSR), bosque aleatorio (FR) y algoritmos de regresión de vectores de soporte (SVR) para construir el modelo de inversión de SPAD de algodón. Este estudio analizó los efectos de diferentes métodos de segmentación de imagen en la precisión de extracción de información espectral y la precisión de modelado de SPAD en el dosel de algodón. Los resultados mostraron que (1) La precisión de la extracción de información espectral puede mejorarse al eliminar la interferencia de fondo como el suelo y las sombras utilizando cuatro métodos de segmentación de imagen. La correlación entre los índices de vegetación calculados a partir de imágenes segmentadas por MESMA y el SPAD del dosel de algodón mejoró más; (2) A tres altitudes de vuelo diferentes, los índices de vegetación calculados por el método de segmentación MESMA se utilizaron como variable de entrada, y el modelo SVR tuvo la mejor precisión en la inversión de SPAD de algodón, con R de 0.810, 0.778 y 0.697, respectivamente; (3) A una altitud de vuelo de 80 m, el R de los modelos SVR construidos utilizando índices de vegetación calculados a partir de imágenes segmentadas por los métodos VIT, SVM, SMA y MESMA mejoraron en 2.2%, 5.8%, 13.7% y 17.9%, respectivamente, en comparación con las imágenes originales. Por lo tanto, el método de descomposición de píxeles mixtos MESMA puede eliminar eficazmente el suelo y las sombras en imágenes multiespectrales, especialmente para proporcionar una referencia para mejorar la precisión de inversión de parámetros fisiológicos de cultivos en imágenes de baja resolución con más píxeles mixtos.