El monitoreo y la determinación de la madurez del maní son fundamentales para reducir las pérdidas durante la operación de cosecha. Sin embargo, los métodos actualmente utilizados son laboriosos y subjetivos. Para resolver este problema, desarrollamos modelos para evaluar la madurez del maní utilizando imágenes de vehículos aéreos no tripulados (UAV) y satélites. Evaluamos un área de aproximadamente 8 hectáreas en la que se determinó una cuadrícula regular de 30 puntos con evaluaciones semanales a partir de los 90 días después de la siembra. Se utilizaron dos Redes Neuronales Artificiales (ANN) con Función de Base Radial (RBF) y Perceptrón Multicapa (MLP) para predecir el Índice de Madurez del Maní (PMI) con las bandas espectrales disponibles de cada sensor. Se utilizaron varios índices de vegetación como entrada a la ANN, dividiendo los datos en un 80/20 para entrenamiento y validación, respectivamente. El índice de vegetación, Índice de Diferencia Normalizada de Borde Rojo (NDRE), fue el coeficiente de determinación más preciso (R = 0.88) y el error absoluto medio más preciso (MAE = 0.06) para estimar el PMI, independientemente del tipo de ANN utilizado. El satélite con Índice de Vegetación de Diferencia Normalizada (NDVI) también pudo determinar el PMI con una mejor precisión (MAE = 0.05) que el NDRE. La evaluación del rendimiento indica que las redes RBF y MLP son similares en la predicción de la madurez del maní. Concluimos que las imágenes de satélite y UAV pueden predecir el índice de madurez con buena precisión y exactitud.