为便于在农业生产中快速、准确的监测作物长势信息,估测作物产量,本研究以我国主要作物夏玉米为研究对象,利用无人机多光谱影像获取与夏玉米长势相关的植被指数,以各种植被指数作为自变量,以夏玉米拔节期、抽穗期、乳熟期、成熟期四个生育期的叶绿素相对含量、叶面积指数、地上生物量、植株含水量长势指标和产量作为因变量,分别建立各生育期夏玉米长势和产量估算的最佳拟合模型,并用独立数据对相关模型进行检验,具体结果如下:（1）夏玉米四个生育期叶绿素相对含量监测模型中,效果最好的分别是基于NDVI、GRVI、GRVI、CCCI构建的监测模型,R~2分别为0.612、0.577、0.602、0.419,生长前期监测效果较好,后期不适于监测。（2）夏玉米四个生育期的叶面积指数监测模型中,效果最好的分别是基于RVI、RVI、NGRDI、NDVI构建的监测模型,R~2分别为0.641、0.606、0.592、0.533,抽穗期和乳熟期更适于进行LAI的监测。（3）夏玉米四个生育期的地上生物量监测模型中,效果最好的分别是基于NGRDI、RVI、NDVI、RVI构建的监测模型,R~2分别为0.561、0.613、0.616、0.583,在夏玉米生长的中期适合进行地上生物量的监测。（4）夏玉米四个生育期的植株含水量监测模型中,效果最好的分别是基于RGRI、RGRI、NGRDI、NDVI构建的监测模型,R~2分别为0.571、0.633、0.592、0.624,各生育期均可进行植株含水量监测。（5）利用变异系数法构建综合长势监测指标,采取偏最小二乘回归、随机森林、BP神经网络构建三种方法分别构建夏玉米四个生育期的综合长势监测模型,在拔节期、乳熟期和成熟期,拟合效果最好的均是BP神经网络法模型,R~2分别为0.731、0.752和0.744;在抽穗期,效果最好的是随机森林法模型,R~2为0.746。（6）夏玉米产量估测模型中,在生长早期,各种植被指数与产量的相关性较差,难以进行产量估测;而在生长中后期,可以有效地估测夏玉米的产量,在乳熟期,基于RVI、DVI、SAVI构建的监测模型R~2为0.457;在成熟期,基于NDVI、RVI、DVI、SAVI多元线性拟合模型R~2达到0.673。综合各生育期构建的模型,GRVI比较适合进行叶绿素含量的监测,RVI与NGRDI比较适合用于对LAI的监测,RVI适合进行地上生物量的监测,RGRI适合进行植株含水量的监测。在对叶绿素含量和LAI进行监测时,前期效果较好,后期构建的模型不太理想;玉米生长中期适于进行地上生物量的监测;对植株含水量的监测则不受生育期的影响。该研究可为夏玉米的长势监测和产量估测提供有效参考。