El rendimiento del colza refleja críticamente la superioridad varietal. La estimación rápida a escala de campo permite una cría eficiente de alto rendimiento. Este estudio evalúa el potencial de la imagen hiperespectral de vehículos aéreos no tripulados (UAV) para la predicción del rendimiento en la etapa de vaina mediante la selección de longitudes de onda e índices de vegetación. Mientras tanto, los algoritmos de selección de características optimizadas identificaron longitudes de onda efectivas (EWs) e índices de vegetación (VIs) para la estimación del rendimiento. Los modelos óptimos de estimación del rendimiento basados en EWs y VIs fueron establecidos, respectivamente, utilizando regresión lineal múltiple (MLR), regresión de mínimos cuadrados parciales (PLSR), máquina de aprendizaje extremo (ELM) y una máquina de vectores de soporte de mínimos cuadrados (LS-SVM). Los principales resultados fueron los siguientes: (i) La predicción del rendimiento del colza utilizando EWs mostró una mejor predicción y robustez en comparación con el modelo espectral completo. En particular, el modelo de muestreo competitivo adaptativo reponderado-máquina de aprendizaje extremo (CARS-ELM) (R = 0.8122, RMSE = 170.4 kg/hm) logró el mejor rendimiento de predicción. (ii) El modelo ELM (R = 0.7674 y RMSE = 187.6 kg/hm), utilizando 14 VIs combinados, mostró un excelente rendimiento. Estos resultados indican que los datos de imagen de teledetección obtenidos del sistema de teledetección hiperespectral UAV pueden ser utilizados para permitir la adquisición de alto rendimiento del rendimiento del colza en el campo. Este estudio proporciona orientación técnica para la estimación del rendimiento del cultivo y la detección de alto rendimiento de la información de cría.