La regresión de procesos gaussianos (GPR) puede resolver eficazmente el problema de modelado de alta dimensionalidad con un tamaño de muestra pequeño. Sin embargo, existe una falta de estudios que comparen GPR con otros métodos para la inversión del índice de área foliar (LAI) utilizando datos hiperespectrales. En este estudio, se utilizó trigo de invierno como material de investigación para evaluar el rendimiento de diferentes métodos para la inversión de LAI, es decir, GPR, una red neuronal artificial (ANN), regresión de mínimos cuadrados parciales (PLSR) y el índice espectral (SI). Con este fin, se llevó a cabo un experimento acoplado de agua y nitrógeno de 2 años, y se midieron datos hiperespectrales del dosel y LAI en las etapas críticas de crecimiento del trigo. Con base en estos datos, se obtuvieron conjuntos de datos de calibración y validación, y se construyó el modelo de predicción de LAI utilizando los cuatro métodos anteriores y se validó. Los resultados mostraron que los modelos de inversión de LAI del SI fueron los menos efectivos en comparación con otros métodos, con y variando de 0.42-0.76 y 0.80-1.04 durante la calibración y y variando de 0.37-0.55 y 0.94-1.09 durante la validación. La ANN y GPR obtuvieron los mejores resultados, con de 0.89 y 0.85 y de 0.46 y 0.53 durante la calibración y de 0.74 y 0.71 y de ambos 0.74 durante la validación. El PLSR tuvo resultados intermedios en la inversión de LAI, con valores de y de 0.80 y 0.61 durante la calibración y valores de y de 0.67 y 0.80 durante la validación. Por lo tanto, se recomendaron los métodos ANN y GPR para la inversión de LAI de trigo de invierno.