La adquisición eficiente de información sobre la humedad de las hojas de los cultivos es de gran importancia para la producción agrícola. Esta información proporciona a los agricultores datos precisos, lo que les permite implementar estrategias de gestión de riego oportunas y efectivas, maximizando así la eficiencia del crecimiento de los cultivos y el rendimiento. En este estudio, se empleó tecnología multiespectral de vehículos aéreos no tripulados (VANT). A través de dos años consecutivos de experimentos de campo (2021-2022), se recopilaron datos de humedad de las hojas de soja y las correspondientes imágenes multiespectrales del VANT. Se establecieron índices de vegetación, características de textura del dosel e índices de textura extraídos aleatoriamente en combinación, que mostraron fuertes correlaciones con estudios previos y parámetros de cultivos. Al analizar la correlación entre estos parámetros y la humedad de las hojas de soja, se seleccionaron parámetros con coeficientes de correlación significativamente correlacionados (< 0.05) como variables de entrada para el modelo (combinación 1: índices de vegetación; combinación 2: características de textura; combinación 3: índices de textura extraídos aleatoriamente en combinación; combinación 4: combinación de índices de vegetación, características de textura e índices de textura extraídos aleatoriamente). Posteriormente, se utilizaron máquina de aprendizaje extremo (ELM), aumento extremo de gradiente (XGBoost) y red neuronal de retropropagación (BPNN) para modelar el contenido de humedad de las hojas. Los resultados indicaron que la mayoría de los índices de vegetación mostraron coeficientes de correlación más altos con la humedad de las hojas de soja en comparación con las características de textura, mientras que los índices de textura extraídos aleatoriamente podrían mejorar la correlación con la humedad de las hojas de soja hasta cierto punto. RDTI, el índice de textura de combinación aleatoria, mostró el coeficiente de correlación más alto con la humedad de las hojas en 0.683, siendo la combinación de textura Varianza1 y Correlación5. Cuando se utilizó la combinación 4 (combinación de índices de vegetación, características de textura e índices de textura extraídos aleatoriamente) como entrada y se empleó el modelo XGBoost para el monitoreo de la humedad de las hojas de soja, se alcanzó el nivel más alto en este estudio. El coeficiente de determinación (R) del conjunto de validación del modelo de estimación alcanzó 0.816, con un error cuadrático medio (RMSE) de 1.404 y un error relativo medio (MRE) del 1.934%. Este estudio proporciona una base para el monitoreo multiespectral de la humedad de las hojas de soja mediante VANT, ofreciendo valiosos conocimientos para la evaluación rápida del crecimiento de los cultivos.