La biomasa aérea (AGB) es un indicador crítico para monitorear el estado de crecimiento de los cultivos y predecir los rendimientos. La tecnología de teledetección con UAV ofrece un método eficiente y no destructivo para recopilar información sobre los cultivos en campos agrícolas de pequeña escala. Las imágenes hiperespectrales de alta resolución proporcionan abundante información espectral-textural, pero si pueden mejorar la precisión de las estimaciones de biomasa de cultivos sigue siendo objeto de más investigación. Este estudio evalúa la capacidad predictiva de la AGB de canola de invierno al integrar los espectros de banda estrecha y las características de textura de las imágenes hiperespectrales de UAV. Específicamente, se extrajeron espectros de banda estrecha e índices de vegetación de las imágenes hiperespectrales. Se empleó el método de la Matriz de Co-ocurrencia de Niveles de Gris (GLCM) para calcular índices de textura. Se utilizaron análisis de correlación y análisis de autocorrelación para determinar el esquema final de características espectrales, el esquema de características de textura y el esquema de características espectral-texturales. Posteriormente, se aplicaron algoritmos de aprendizaje automático para desarrollar modelos de estimación de biomasa de canola de invierno. Los resultados indican: (1) Para las características espectrales, las bandas estrechas en longitudes de onda de 450~510 nm, 680~738 nm, 910~940 nm, así como los índices de vegetación que contienen bandas estrechas en el borde rojo, mostraron un rendimiento excepcional con coeficientes de correlación que oscilan entre 0.49 y 0.65; Para las características de textura, los parámetros de textura de banda estrecha CON, DIS, ENT, ASM, y el parámetro de textura del índice de vegetación COR demostraron un rendimiento significativo, con coeficientes de correlación entre 0.65 y 0.72; (2) El modelo Adaboost utilizando el esquema de características espectral-texturales exhibió el mejor rendimiento en la estimación de la biomasa de canola de invierno (R = 0.91; RMSE = 1710.79 kg/ha; NRMSE = 19.88%); (3) El uso combinado de espectros de banda estrecha y características de textura mejoró significativamente la precisión de la estimación de la biomasa de canola de invierno. En comparación con el esquema de características espectrales, el R del modelo aumentó en un 11.2%, el RMSE disminuyó en un 29% y el NRMSE se redujo en un 17%. Estos hallazgos proporcionan una referencia para estudios sobre el monitoreo del estado de crecimiento de cultivos mediante teledetección hiperespectral con UAV.