La mayoría de las predicciones de las etapas de crecimiento del arroz se basan actualmente en unas pocas variedades de arroz para estudios de métodos de predicción, utilizando principalmente regresión lineal, aprendizaje automático y otros métodos para construir modelos de predicción de etapas de crecimiento que tienden a tener una mala capacidad de generalización, baja precisión y enfrentan varios desafíos. En este estudio, se capturaron imágenes multiespectrales de arroz en varias etapas de crecimiento utilizando un vehículo aéreo no tripulado, y se identificaron siluetas de plantas individuales de arroz para 327 variedades de arroz mediante el establecimiento de un algoritmo de aprendizaje profundo. Se estableció un método de predicción de etapas de crecimiento para las 327 variedades de arroz basado en el índice de vegetación normalizado combinado con ecuaciones de regresión polinómica cúbica para simular sus cambios de crecimiento, y se propuso por primera vez que las etapas de crecimiento de diferentes variedades de arroz se inferían analizando la tasa de crecimiento del índice de vegetación de diferencia normalizada. En general, el modelo de reconocimiento de contornos de plantas individuales de arroz mostró una buena capacidad de reconocimiento de contornos para diferentes variedades de arroz, con la mayoría de las precisiones de predicción en el rango de 0.75-0.93. La precisión del modelo de predicción de etapas de crecimiento del arroz en el reconocimiento de diferentes variedades de arroz también mostró cierta variación, con el error cuadrático medio entre 0.506 y 3.373 días, el error cuadrático medio relativo entre 2.555% y 14.660%, el sesgo entre 1.126 y 2.358 días, y el sesgo relativo entre 0.787% y 9.397%; por lo tanto, el modelo de predicción de etapas de crecimiento de variedades de arroz puede utilizarse para mejorar eficazmente la precisión de la predicción de los períodos de etapas de crecimiento del arroz.