La concentración de clorofila a (chl-a) es un parámetro importante para evaluar el grado de eutrofización del agua. Monitorearlo con precisión a través de la teledetección es, por lo tanto, de gran importancia para las alertas tempranas de eutrofización del agua, y la inversión de la calidad del agua a partir de imágenes de UAV ha atraído cada vez más atención. En este estudio, se propuso un método de regresión para estimar la chl-a; utilizó un pequeño UAV multiespectral para recopilar datos y tomó los índices de vegetación como variables intermedias. Para este propósito, se seleccionaron diez puntos de monitoreo en el lago Erhai, China, y se realizaron dos meses de monitoreo y recopilación de datos durante un período de floración de cianobacterias. Finalmente, se obtuvieron 155 conjuntos de datos válidos. Los datos de imagen se obtuvieron utilizando un UAV multiespectral, se recolectaron muestras de agua del lago y se obtuvo la concentración de chl-a en el laboratorio. Luego, las imágenes se preprocesaron para extraer la información de diferentes bandas espectrales. Se utilizó la regresión univariante de cada índice de vegetación y la regresión utilizando información de bandas para el análisis comparativo. Se utilizaron cuatro algoritmos de aprendizaje automático para construir el modelo: máquina de soporte vectorial (SVM), bosque aleatorio (RF), máquina de aprendizaje extremo (ELM) y red neuronal convolucional (CNN). Los resultados mostraron que el efecto de estimar la concentración de chl-a a través de regresión múltiple utilizando índices de vegetación fue generalmente mejor que el de la regresión con un solo índice de vegetación e información de banda original. El modelo CNN obtuvo los mejores resultados (R2 = 0.7917, RMSE = 8.7660 y MRE = 0.2461). Este estudio mostró la fiabilidad de utilizar regresión múltiple basada en índices de vegetación para estimar la chl-a del agua superficial.