La previsión precisa de los rendimientos de los cultivos es de suma importancia para guiar los procesos de toma de decisiones relacionados con los esfuerzos de mejora. A pesar de los avances significativos en la previsión de rendimientos de cultivos, los métodos existentes a menudo tienen dificultades para integrar diversos datos de sensores y lograr una alta precisión de predicción bajo diferentes condiciones ambientales. Este estudio se centró en la aplicación de la fusión de datos de múltiples sensores y algoritmos de aprendizaje automático basados en vehículos aéreos no tripulados (UAV) en la predicción del rendimiento del trigo. Se utilizaron cinco algoritmos de aprendizaje automático (ML), a saber, bosque aleatorio (RF), mínimos cuadrados parciales (PLS), regresión de cresta (RR), vecino más cercano (KNN) y árbol de decisión de aumento de gradiente extremo (XGboost), para la fusión de datos de múltiples sensores, junto con tres métodos de conjunto que incluyen los métodos de conjunto de segundo nivel (apilamiento y ponderación de características) y el método de conjunto de tercer nivel (promedio simple), para la predicción del rendimiento del trigo. Se utilizaron 270 híbridos de trigo como materiales de siembra bajo tratamientos de riego completo y limitado. Se utilizó una plataforma UAV de múltiples sensores rentable, equipada con sensores de rojo-verde-azul (RGB), multispectrales (MS) y de infrarrojo térmico (TIR), para recopilar datos de teledetección. Los resultados revelaron que el algoritmo XGboost mostró un rendimiento excepcional en la fusión de datos de múltiples sensores, con la combinación RGB + MS + Textura + TIR demostrando el mejor rendimiento de fusión (R2 = 0.660, RMSE = 0.754). En comparación con el modelo ML único, el empleo de tres métodos de conjunto mejoró significativamente la precisión de la predicción del rendimiento del trigo. Notablemente, el método de conjunto de promedio simple de tercer nivel demostró un rendimiento superior (R2 = 0.733, RMSE = 0.668 t ha-1). Superó significativamente tanto a los métodos de conjunto de segundo nivel de apilamiento (R2 = 0.668, RMSE = 0.673 t ha-1) como a la ponderación de características (R2 = 0.667, RMSE = 0.674 t ha-1), exhibiendo así capacidades predictivas superiores. Este hallazgo destacó la capacidad del método de conjunto de tercer nivel para mejorar las capacidades predictivas y refinó la precisión de la predicción del rendimiento del trigo a través del aprendizaje de conjunto de promedio simple, ofreciendo una nueva perspectiva para la predicción del rendimiento de cultivos y la selección de mejora.