Una determinación rápida y precisa de rendimiento de trigo de invierno a gran escala es significativa para la seguridad alimentaria y la formulación de políticas. En este estudio, se utilizaron datos meteorológicos e índice de vegetación mejorado (EVI) para estimar el rendimiento de trigo de invierno en la provincia de Henan, China, mediante la construcción de un modelo de aprendizaje profundo. El modelo de aprendizaje profundo combina la extracción de características de CNN y aprovecha al máximo la capacidad de procesamiento de datos de secuencia del LSTM y un mecanismo de atención de múltiples cabezas para desarrollar un nuevo modelo de estimación CNN-MALSTM, que puede capturar la información de secuencias de entrada en diferentes subespacios de características para mejorar la expresividad del modelo. También se construyó un modelo base CNN-LSTM para comparación. En comparación con el modelo base (R = 0.75, RMSE = 646.53 kg/ha y MAPE = 8.82%), el modelo propuesto CNN-MALSTM (R = 0.79, RMSE = 576.01 kg/ha, MAPE = 7.29%) podría estimar el rendimiento de manera más precisa. Con base en la validación cruzada con un año de datos excluidos y la entrada del período de fertilidad por período de fertilidad para explorar la sensibilidad del modelo a datos de diferentes períodos de fertilidad al rendimiento final, se construyó un mapa de distribución de rendimiento anual de la provincia de Henan. A través de la validación cruzada, se evaluó la estabilidad del modelo en diferentes años. Los resultados mostraron que el modelo podría obtener la mejor predicción del rendimiento aproximadamente 20 días por adelantado. En cuanto a la distribución espacial del rendimiento en la provincia de Henan sobre una base anual, el rendimiento estimado mostró una tendencia general al alza de oeste a este, consistente con la tendencia en el anuario estadístico del rendimiento para la provincia de Henan. Por lo tanto, se puede concluir que el modelo propuesto CNN-MALSTM puede proporcionar resultados estables de estimación de rendimiento.