El trigo es uno de los cultivos alimentarios más importantes en el mundo, y su rendimiento alto y estable es de gran importancia para garantizar la seguridad alimentaria. La monitorización oportuna, no destructiva y precisa de la información de crecimiento del trigo es de gran importancia para optimizar la gestión del cultivo, mejorar la eficiencia de la utilización de fertilizantes y mejorar el rendimiento y la calidad del trigo. Diferentes índices de color e índices de vegetación se calcularon en base a la reflectancia del dosel de trigo obtenida por una plataforma de teledetección UAV equipada con una cámara digital y una cámara hiperespectral. Tres algoritmos de selección de variables, a saber, muestreo competitivo adaptativo con reponderación (CARS), retención iterativa de variables informativas (IRIVs) y el algoritmo de bosque aleatorio (RF), se utilizaron para seleccionar los índices adquiridos, y luego tres algoritmos de regresión, a saber, árbol de decisión de refuerzo de gradiente (GBDT), regresión lineal múltiple (MLR) y regresión de bosque aleatorio (RFR), se utilizaron para construir los modelos de monitorización de la biomasa aérea del trigo (AGB) y el contenido de nitrógeno foliar (LNC), respectivamente. Los resultados mostraron que los tres algoritmos de selección de variables demostraron diferentes rendimientos para diferentes indicadores de crecimiento, siendo el algoritmo de selección de variables óptimo para AGB el RF y el algoritmo de selección de variables óptimo para LNC el CARS. Además, el uso de diferentes algoritmos de selección de variables resulta en la selección de más índices de vegetación que índices de color, y puede evitar eficazmente la autocorrelación entre las variables introducidas en el modelo. Este estudio indica que la construcción de un modelo a través de algoritmos de selección de variables puede reducir la información redundante introducida en el modelo y lograr una mejor estimación de los parámetros de crecimiento. Se debe considerar una combinación adecuada de algoritmos de selección de variables y algoritmos de regresión al construir modelos para estimar los parámetros de crecimiento de los cultivos en el futuro.