La estimación precisa de la biomasa aérea (AGB) en plantaciones de caucho es esencial para predecir la producción de caucho y evaluar el almacenamiento de carbono. Los sensores multiespectrales montados en vehículos aéreos no tripulados (UAV) pueden obtener imágenes de alta resolución espaciotemporal de las plantaciones de caucho, ofreciendo ventajas significativas en la captura de detalles estructurales finos y heterogeneidad. Sin embargo, la mayoría de los estudios anteriores se centraron principalmente en desarrollar modelos de estimación de biomasa para el caucho utilizando algoritmos de aprendizaje automático (ML) junto con métodos de selección de características basados en imágenes multiespectrales adquiridas por UAV. La dependencia de los métodos de selección de características limita la generalizabilidad, robustez y precisión predictiva del modelo. En contraste, el aprendizaje profundo (DL) muestra una considerable promesa en la extracción de características de imágenes multiespectrales de alta resolución basadas en UAV sin necesidad de selección manual. No obstante, sigue sin estar claro si el DL puede superar los métodos tradicionales de ML en la mejora de la precisión de estimación de AGB en plantaciones de caucho. Para abordar esto, nuestro estudio evaluó el rendimiento de tres algoritmos de ML (regresión de bosque aleatorio, RFR; regresión de XGBoost, XGBR; regresión de impulso categórico, CatBoost) combinados con técnicas de selección de características y una red neuronal convolucional profunda (DCNN) utilizando imágenes multiespectrales obtenidas de UAV para la estimación de AGB de plantaciones de caucho. Los resultados indican que el RFR combinado con un análisis de componentes principales (PCA) para la selección de características obtuvo el mejor rendimiento (R2 = 0.81, RMSE = 11.63 t/ha, MAE = 9.27 t/ha) entre los tres algoritmos de ML. Mientras tanto, el modelo DCNN derivado de las bandas espectrales G, R y NIR logró la mayor precisión de estimación (R2 = 0.89, RMSE = 6.44 t/ha, MAE = 5.72 t/ha), donde superó a los otros métodos de ML. Nuestro estudio destaca el gran potencial de combinar imágenes multiespectrales basadas en UAV con técnicas de DL para mejorar la estimación de AGB en plantaciones de caucho, ofreciendo una nueva perspectiva para estimar los parámetros de crecimiento fisiológicos y bioquímicos de los bosques.