La concentración de nitrógeno de la planta (PNC) es un indicador clave que refleja el estado de crecimiento y desarrollo de las plantas. El monitoreo oportuno y preciso de la PNC de las plantas es de gran importancia para la gestión refinada de la nutrición de los cultivos en el campo. La tecnología de sensores en rápido desarrollo proporciona un medio poderoso para monitorear la PNC de los cultivos. Aunque las imágenes RGB tienen una rica información espacial, carecen de la información espectral de los bordes rojos y las bandas de infrarrojo cercano, que son más sensibles a la vegetación. Por el contrario, las imágenes multiespectrales ofrecen una resolución espectral superior pero suelen quedarse rezagadas en detalles espaciales en comparación con las imágenes RGB. Por lo tanto, el propósito de este estudio es mejorar la precisión y eficiencia del monitoreo de la PNC de los cultivos mediante la combinación de las ventajas de las imágenes RGB y las imágenes multiespectrales a través de la tecnología de fusión de imágenes. Este estudio se basó en las etapas de encañado, espigado y llenado temprano del trigo de invierno, adquiriendo de manera sincrónica datos UAV RGB y MS, utilizando los métodos de fusión de imágenes Gram-Schmidt (GS) y componentes principales (PC) para generar imágenes fusionadas y evaluarlas con múltiples indicadores de calidad de imagen. Posteriormente, se construyeron modelos para predecir la PNC del trigo utilizando algoritmos de selección de máquinas como RF, GPR y XGB. Los resultados muestran que la imagen RGB_B1 contiene una información de imagen más rica y más detalles de imagen en comparación con otras bandas. El método de fusión de imágenes GS es superior al método PC, y el rendimiento de la fusión de imágenes de la banda RGB_B1 de alta resolución con imágenes MS utilizando el método GS es óptimo. Después de la fusión de imágenes, la correlación entre los índices de vegetación (VIs) y la PNC del trigo se ha mejorado en diferentes grados en diferentes períodos de crecimiento, mejorando significativamente la capacidad de respuesta de la información espectral a la PNC del trigo. Para evaluar exhaustivamente el potencial de las imágenes fusionadas en la estimación de la PNC del trigo, este estudio comparó completamente el rendimiento de los modelos de PNC antes y después de la fusión utilizando algoritmos de aprendizaje automático como Random Forest (RF), Regresión de Procesos Gaussianos (GPR) y eXtreme Gradient Boosting (XGB). Los resultados muestran que el modelo establecido por la imagen fusionada tiene una alta estabilidad y precisión en un solo período de crecimiento, múltiples períodos de crecimiento, diferentes variedades y diferentes tratamientos de nitrógeno, siendo significativamente mejor que la imagen MS. Las mejoras más significativas se dieron durante las etapas de encañado a llenado temprano, particularmente con el algoritmo RF, que logró un aumento del 18.8% en R2, un aumento del 26.5% en RPD y una disminución del 19.7% en RMSE. Este estudio proporciona un medio técnico efectivo para el monitoreo dinámico del estado nutricional de los cultivos y brinda un sólido apoyo técnico para la gestión precisa de la nutrición de los cultivos.