El algodón (Gossypium hirsutum L.), como un cultivo económico significativo, ha experimentado una modernización importante en los métodos de siembra, y su gestión de riego inteligente depende en gran medida de la estimación precisa del contenido de agua en el algodón (CWC). Los métodos existentes basados en tierra para medir el CWC están limitados por su alcance restringido y altos costos de monitoreo. Aunque el desarrollo de la tecnología de vehículos aéreos no tripulados (UAV) ha proporcionado una nueva oportunidad para mediciones de CWC a gran escala, aún existe una brecha en el estudio de la estimación de CWC en el algodón utilizando datos de múltiples fuentes y múltiples etapas. En este estudio, utilizamos datos basados en UAV, incluyendo características de textura, índices de vegetación y un índice de calor, y aplicamos cuatro algoritmos de aprendizaje automático, es decir, regresión de mínimos cuadrados parciales (PLSR), regresión de vectores de soporte (SVR), regresión de bosque aleatorio (RFR) y aumento extremo de gradiente (XGB), para estimar el CWC. Los hallazgos demuestran que en una única etapa de crecimiento, la etapa de formación de cápsulas es la que mejor rendimiento tiene, y las entradas de múltiples fuentes y múltiples etapas pueden mejorar la precisión de la estimación del CWC, con el mejor rendimiento de XGB (R2 = 0.860). En general, este estudio destaca que el uso sinérgico de datos de múltiples fuentes y múltiples etapas puede mejorar efectivamente la estimación del CWC en el algodón, sugiriendo que los datos basados en UAV conducirán a un futuro más brillante para la agricultura de precisión.