El nitrógeno (N) es un factor importante que limita la productividad de los cultivos, y la estimación precisa del contenido de N en el trigo de invierno puede monitorear eficazmente el estado de crecimiento del cultivo. El objetivo de este estudio fue evaluar la capacidad de la plataforma de vehículos aéreos no tripulados (UAV) con múltiples sensores para estimar el contenido de N del trigo de invierno utilizando algoritmos de aprendizaje automático; para recopilar imágenes multiespectrales (MS), rojo-verde-azul (RGB) e infrarrojas térmicas (TIR) para construir un conjunto de datos de fusión de datos de múltiples fuentes; para predecir el contenido de N en el trigo de invierno utilizando regresión de bosques aleatorios (RFR), regresión de máquina de vectores de soporte (SVR) y regresión de mínimos cuadrados parciales (PLSR). Los resultados mostraron que el error absoluto medio (MAE) y el error cuadrático medio relativo (rRMSE) de todos los modelos mostraron una tendencia general a la disminución con un número creciente de características de entrada de diferentes fuentes de datos. La precisión varió entre los tres algoritmos utilizados, siendo RFR el que logró la mayor precisión de predicción con un MAE de 1.616 mg/g y un rRMSE de 12.333%. Para los modelos construidos con datos de un solo sensor, las imágenes MS lograron una mayor precisión que las imágenes RGB y TIR. Este estudio mostró que la técnica de fusión de datos de múltiples fuentes puede mejorar la predicción del contenido de N en el trigo de invierno y proporcionar asistencia para la toma de decisiones en la producción práctica.