Al integrar las características térmicas de la teledetección térmica-infrarroja con la información fisiológica y estructural de la vegetación revelada por la teledetección multiespectral, se puede lograr una evaluación más completa de la respuesta del estado de humedad del suelo de los cultivos. En este estudio, se recopilaron datos de teledetección multiespectral y térmica-infrarroja, junto con muestras de contenido de humedad del suelo (CMS) (capas de suelo de 0 a 20 cm, 20 a 40 cm y 40 a 60 cm), durante la etapa de floración de la soja. Las fuentes de datos incluyeron índices de vegetación, características de textura, índices de textura e índices de vegetación térmica-infrarroja. Se seleccionaron parámetros espectrales con un nivel de correlación significativo (< 0.01) y se ingresaron en el modelo como variables de entrada individuales y fusionadas. Se utilizaron tres métodos de aprendizaje automático, eXtreme Gradient Boosting (XGBoost), Random Forest (RF) y una Red Neuronal de Retropropagación optimizada por Algoritmo Genético (GA-BP), para construir modelos de predicción para el CMS de soja basado en la fusión de información de teledetección multiespectral y térmica-infrarroja de UAV. Los resultados indicaron que entre las variables de entrada individuales, los índices de vegetación (IVs) derivados de sensores multiespectrales tenían la precisión óptima para monitorear el CMS en diferentes capas de suelo bajo el cultivo de soja. La precisión de la predicción fue la más baja al usar información de textura única, mientras que la combinación de valores de características de textura en nuevos índices de textura mejoró significativamente el rendimiento de la estimación del CMS. La fusión de índices de vegetación (IVs), índices de textura (ITs) e índices de vegetación térmica-infrarroja (IVTIs) proporcionó una mejor predicción del CMS de soja. El modelo de predicción óptimo para el CMS en diferentes capas de suelo bajo el cultivo de soja se construyó basado en la combinación de entrada de IVs + ITs + IVTIs, y se identificó a XGBoost como el método preferido para el monitoreo y modelado del CMS de soja, con R = 0.780, RMSE = 0.437% y MRE = 1.667% en la predicción del CMS de 0 a 20 cm. En resumen, la fusión de información de teledetección multiespectral y térmica-infrarroja de UAV tiene un buen valor de aplicación en la predicción del CMS en diferentes capas de suelo bajo el cultivo de soja. Este estudio puede proporcionar apoyo técnico para la gestión precisa del estado de humedad del suelo de soja utilizando la plataforma UAV.