El LAI (índice de área foliar) es un parámetro importante que describe la estructura del dosel de los árboles cítricos y caracteriza la fotosíntesis de las plantas, además de proporcionar una base importante para seleccionar parámetros para las operaciones de protección de plantaciones. Al fusionar datos LiDAR con datos multiespectrales, se puede compensar la falta de características espaciales ricas de los datos multiespectrales, obteniendo así una mayor precisión de inversión de LAI. Este estudio propuso un método de inversión de LAI multiescala para huertos de cítricos basado en la fusión de datos de nube de puntos y datos multiespectrales. Al comparar varios algoritmos de aprendizaje automático, se estableció la relación de mapeo entre los parámetros característicos en los datos multiespectrales y los datos de nube de puntos y el LAI de cítricos, y se estableció el modelo de inversión basado en esto, eliminando características redundantes a través de un análisis de redundancia. Los resultados del experimento mostraron que la red neuronal BP tiene el mejor rendimiento tanto a escala comunitaria como a escala individual. Después de eliminar las características redundantes, el R, RMSE y MAE de la red neuronal BP a escala comunitaria y escala individual fueron 0.896, 0.112, 0.086 y 0.794, 0.408, 0.328, respectivamente. Al agregar la característica de fracción de espacio tridimensional a las características de índice de vegetación bidimensional, el R a escala comunitaria y escala individual aumentó en un 4.43% y 7.29%, respectivamente. La conclusión de este estudio sugiere que la fusión de datos de nube de puntos y multiespectrales exhibe una precisión superior en la inversión de LAI cítrico a escala múltiple en comparación con depender únicamente de una sola fuente de datos. Este estudio propone un método de inversión de LAI multiescala rápido y eficiente para cítricos, que proporciona una nueva idea para la gestión precisa de huertos y la precisión de las operaciones de protección de plantas.