En respuesta a los problemas de alta complejidad y baja eficiencia asociados con la actual dependencia de muestreos manuales y mediciones instrumentales para obtener el índice de área foliar (LAI) del maíz, este estudio construyó un conjunto de datos de imágenes de maíz que comprende 624 imágenes de tres etapas de crecimiento del maíz de verano en la región de Henan, a saber, la etapa de encañazón, la etapa de espiga pequeña y la etapa de espiga grande. Además, se propuso un modelo de estimación de LAI de maíz llamado LAINet, basado en una red neuronal convolucional (CNN) mejorada. La estimación de LAI se realizó en estas tres etapas clave de crecimiento. En este estudio, la estructura de salida se mejoró basándose en la arquitectura de ResNet para adaptarse a tareas de regresión. Se introdujo el módulo Triplet para lograr la fusión de características y mecanismos de autoatención, mejorando así la precisión de la estimación de LAI de maíz. Se ajustó la estructura del modelo para permitir la integración de la información de la etapa de crecimiento, y se mejoró la función de pérdida para acelerar la velocidad de convergencia del modelo de red. El modelo se validó en el conjunto de datos autoconstruido. Los resultados mostraron que la incorporación de mecanismos de atención, la integración de la información de la etapa de crecimiento y la mejora de la función de pérdida aumentaron el R del modelo en 0.04, 0.15 y 0.05, respectivamente. Entre estos, la integración de la información de la etapa de crecimiento condujo a la mayor mejora, con el R aumentando directamente de 0.54 a 0.69. El modelo mejorado, LAINet, logró un R de 0.81, lo que indica que puede estimar eficazmente el LAI del maíz. Este modelo puede proporcionar soporte de tecnología de la información para el monitoreo fenotípico de los cultivos de campo.