Para obtener información oportuna, precisa y confiable sobre la dinámica del rendimiento del trigo. Se utilizó el dron DJI Wizard 4 versión multiespectral para adquirir imágenes multiespectrales de trigo de invierno durante los periodos de espigado, encañado y maduración, y para adquirir manualmente datos de rendimiento en el suelo. Dieciséis índices de vegetación fueron analizados mediante análisis de correlación, y se extrajeron ocho características texturales de cinco bandas individuales en tres periodos de fertilidad. Posteriormente, se desarrollaron modelos para estimar el rendimiento del trigo de invierno utilizando regresión lineal múltiple (MLR), mínimos cuadrados parciales (PLS), red neuronal BP (BPNN) y regresión de bosque aleatorio (RF), respectivamente. Los resultados indicaron una correlación consistente entre los dos tipos de variables y el rendimiento en varios periodos de fertilidad. Esta correlación siguió consistentemente una secuencia: periodo de espigado > periodo de llenado > etapa de madurez. La precisión del modelo mejora significativamente al incorporar tanto características texturales como índices de vegetación para la estimación, superando la precisión lograda a través de la estimación de un solo tipo de variable. Entre los diversos modelos considerados, el modelo de mínimos cuadrados parciales (PLS) que integra características texturales e índices de vegetación exhibió la mayor precisión en la estimación del rendimiento del trigo de invierno. Obtuvo un coeficiente de determinación (R) de 0.852, un error cuadrático medio (RMSE) de 74.469 kg·hm, y un error cuadrático medio normalizado (NRMSE) de 7.41%. Este estudio valida la importancia de utilizar características texturales de imagen junto con índices de vegetación para mejorar la precisión de los modelos que estiman el rendimiento del trigo de invierno. Demuestra que las imágenes multiespectrales de drones pueden establecer efectivamente un modelo de estimación de rendimiento. La combinación de índices de vegetación y características texturales resulta en un modelo más preciso y predictivo en comparación con el uso de un solo índice.