El Índice de Área Foliar (LAI) es un parámetro biofísico crítico que refleja las condiciones de crecimiento del cultivo y el potencial fotosintético del dosel, sirviendo como piedra angular en la agricultura de precisión y el monitoreo dinámico de cultivos. Sin embargo, los métodos tradicionales de estimación de LAI que dependen de datos de teledetección de una sola fuente a menudo sufren de una precisión insuficiente en escenarios de vegetación de alta densidad, limitando su capacidad para reflejar de manera integral la variabilidad del crecimiento del cultivo. Para superar estas limitaciones, este estudio introduce un innovador marco de fusión de características de múltiples fuentes utilizando imágenes multiespectrales de vehículos aéreos no tripulados (UAV) para una estimación precisa de LAI en trigo de invierno. Los conjuntos de datos RGB y multiespectrales se recopilaron en siete etapas de crecimiento diferentes (desde el reverdecimiento hasta el llenado de grano) en 2024. A través de la extracción de atributos de color, información estructural espacial y ocho índices de vegetación representativos (VIs), se desarrolló un conjunto de datos de múltiples fuentes robusto para integrar diversos tipos de datos. Se diseñó una columna vertebral de extracción de características basada en una red neuronal convolucional (CNN), junto con una red de fusión de características de múltiples fuentes (MSF-FusionNet), para combinar efectivamente la información espectral y espacial de las imágenes RGB y multiespectrales. Los resultados experimentales revelaron que el método propuesto logró un rendimiento de estimación superior en comparación con los modelos de una sola fuente, con un R de 0.8745 y un RMSE de 0.5461, mejorando el R en un 36.67% y un 5.54% sobre los modelos RGB y VI, respectivamente. Notablemente, el método de fusión mejoró la precisión durante fases críticas de crecimiento, como las etapas de reverdecimiento y entrelazado. En comparación con las técnicas tradicionales de aprendizaje automático, el marco propuesto superó el rendimiento del modelo XGBoost, con el R aumentando en un 4.51% y el RMSE disminuyendo en un 12.24%. Además, nuestro método facilitó la creación de mapas de distribución espacial de LAI en etapas clave de crecimiento, representando con precisión la heterogeneidad espacial y la dinámica temporal en el campo. Estos resultados destacan la eficacia y el potencial de integrar la fusión de datos de múltiples fuentes de UAV con aprendizaje profundo para una estimación precisa de LAI en trigo de invierno, ofreciendo ideas significativas para la evaluación del crecimiento de cultivos y la gestión agrícola de precisión.