为实现玉米精准施肥管理, 准确识别其叶绿素含量具有重要意义。叶片叶绿素相对含量(soil and plant analyzer development, SPAD)值是叶绿素含量的重要指示参数, 已有研究多采用单一数据源, 结合单一机器学习方法来对其反演。为提高SPAD反演精度, 本研究探讨耦合多源无人机遥感影像与多种机器学习方法来开展SPAD值反演的可行性, 并将其与已有方法进行比较。基于不同有机肥、无机肥、秸秆还田以及种植密度处理的玉米田间试验, 获取玉米四叶期和九叶期的无人机多光谱影像和RGB (red-green-blue)影像, 并同步测量了叶片SPAD数据。基于多尺度分析的方法, 将RGB影像与多光谱影像进行融合, 生成既具有高空间分辨率又具有多光谱的融合影像。此外, 基于集成学习思想, 选择BP-人工神经网络法(back propagation-artificial neural network, BP-ANN)、支持向量机法(support vector machine, SVM)、广义加性模型法(generalized additive model, GAM)、随机森林法(random forest, RF)等不同类型机器学习模型, 构建集成学习模型(ensemble learning method, ELM)。基于以上数据源和模型, 设计不同数据源和不同机器学习模型的耦合情景。将数据集分为建模数据集和验证数据集, 基于建模数据集构建每种情景下的SPAD反演模型, 然后基于验证数据集进行模型验证, 对比分析确定最优SPAD反演模型与数据源。相对于单源数据, 多源数据通过融合多光谱影像的光谱信息和RGB影像的纹理信息, 提高了SPAD反演的精度。此外, 相对于单一机器学习方法, 基于集成学习思想耦合多种机器学习方法可以提高SPAD的反演精度。在所有情景中, 基于ELM方法和融合影像的SPAD模型精度最高, 其建模Rcal2为0.83、RMSEcal为1.93, 验证Rval2为0.80、RMSEval为2.07; 其他情景下, 各模型的建模Rcal2在0.64~0.88之间, RMSEcal在1.63~2.84之间; 验证Rval2在0.60~0.78之间, RMSEval在2.18~3.01之间。本研究证明了在反演玉米SPAD时, 最优策略是使用多源数据和集成学习模型, 为进一步的精准氮肥管理提供了技术支撑。