La estimación precisa del contenido de nitrógeno en plantas de cultivo es la base de una gestión precisa de fertilizantes de nitrógeno. La tecnología de imágenes de vehículos aéreos no tripulados (UAV) se ha utilizado ampliamente para estimar rápidamente el nitrógeno en plantas de cultivo, pero la precisión seguirá viéndose afectada por la variedad, la etapa de crecimiento y otros factores. Nos propusimos (1) analizar la correlación entre el contenido de nitrógeno de las plantas de trigo de invierno y la información espectral, de textura y estructural; (2) comparar la precisión de la estimación de nitrógeno en etapas de crecimiento únicas versus múltiples; (3) evaluar la consistencia de las imágenes multiespectrales de UAV en la estimación del contenido de nitrógeno en diferentes variedades de trigo; (4) identificar el mejor modelo para estimar el contenido de nitrógeno de las plantas (PNC) comparando cinco algoritmos de aprendizaje automático. Los resultados indicaron que para la estimación de PNC en todas las variedades y etapas de crecimiento, el modelo de regresión de bosques aleatorios (RFR) fue el mejor entre los cinco modelos, obteniendo valores de R, RMSE, MAE y MAPE de 0,90, 0,10%, 0,08 y 0,06%, respectivamente. Además, el modelo de estimación de RFR logró una precisión loable en la estimación de PNC en tres variedades diferentes, con valores de R de 0,91, 0,93 y 0,72. Para el conjunto de datos de una única etapa de crecimiento, la regresión de proceso gaussiano (GPR) fue la mejor entre los cinco modelos de regresión, con valores de R que van desde 0,66 hasta 0,81. Debido a las sensibilidades variables al nitrógeno, la precisión de la estimación de nitrógeno multiespectral de UAV también fue diferente entre las tres variedades. Entre las tres variedades, la precisión de la estimación de PNC de SL02-1 fue la peor. Este estudio es útil para el diagnóstico rápido de la nutrición de nitrógeno en cultivos a través de la tecnología de imágenes multiespectrales de UAV.