陕西省秦岭北麓和渭河两岸是猕猴桃优势产区,猕猴桃现已成为带动当地经济发展和增加农民收入的特色产业。然而因生态条件的恶化和资源利用的忽视,猕猴桃的部分品种却已处于濒临灭绝状态。因此,对主要猕猴桃种植产区进行遥感监测,明确猕猴桃园的空间分布对保护猕猴桃种质、遗传资源的可持续发展具有重要意义。目前基于地物光谱反射率特征的遥感技术使大面积快速准确的作物生长状况实时监测成为可能。叶面积指数（leaf area index,LAI）作为估算植被生长的理想参数,在反映作物生理过程和生态系统功能方面具有不可替代的作用。目前LAI估算主要应用于冬小麦、玉米、大豆等粮食作物,但对猕猴桃等果园的应用研究较少。鉴于当前可利用的遥感信息源众多,协同分析多源遥感数据反演LAI,并选择适合LAI反演的最佳尺度就显得尤为重要。依靠准确详实的地面高光谱平台和快速便捷的高分辨率无人机（unmanned aerial vehicle,UAV）平台获得的遥感数据估算猕猴桃园LAI,对猕猴桃园的立体信息获取,以及猕猴桃的生长监测、产量估算和果园管理具有重要意义。本研究获取了2021年5月至8月研究区四个典型生育期（初花期、幼果期、膨果期和成熟期）猕猴桃的长势参数特征、冠层高光谱数据,以及高分辨率RGB图像。根据实测数据论述了猕猴桃LAI等长势参数特征,分析了猕猴桃冠层原始光谱及其十种数学变换光谱的变化规律;通过对猕猴桃冠层光谱进行植被指数和光谱指数构建等高光谱处理,分别计算与相应时期LAI实测值的相关性,并构建相应估算模型;提取不同生育期无人机RGB图像的光谱和纹理特征,通过组合新变量集构建相应时期的LAI估算模型,反演猕猴桃园LAI的空间分布特征;并结合哨兵二号影像对研究区猕猴桃园LAI进行尺度转换,研究表明:（1）猕猴桃植株的冠层结构参数不断发生变化,随着生育期的推进,LAI呈现逐渐增大的趋势,成熟期达到最大。猕猴桃冠层光谱反射率在可见光波段蓝色、红色谱带的吸收谷随时间逐渐减弱,绿色谱带的反射峰逐渐增强;近红外长波区,水的吸收强度随波长减小而减弱。经过不同形式的光谱变换后猕猴桃冠层光谱特征明显,其特征波段更容易凸显。倒数变换将原始光谱的“峰谷”特征调转;对数倒数变换拉长了反射率的极值变化;倒数一阶微分变换后,曲线波动起伏变化较大,可见光蓝、绿、黄、红边特征明显;对数倒数一阶微分增强可见光特征波段的同时还增强了近红外短波、长波区间的水和二氧化碳吸收带,且给微分变换增加更多的特征波段。（2）四种高光谱处理后的光谱与LAI实测值具有显著相关性,与成熟期原始光谱474 nm处的反射率相关性最高（-0.684）,与幼果期平方根变换光谱2056 nm的反射率相关性最高（0.760）,与成熟期修正单比指数（MSR）的相关性最高（0.686）,与成熟期差值光谱指数DSI（1382,414）的相关性最高（0.786）。四种高光谱LAI估算模型中,数学变换光谱模型（建模R~2=0.700,RMSE=0.542,n RMSE=17.25%）优于光谱指数模型（建模R~2=0.635,RMSE=0.214,n RMSE=20.11%）,优于原始光谱模型（建模R~2=0.579,RMSE=0.230,n RMSE=30.17%）,以及传统的植被指数模型（建模R~2=0.564,RMSE=0.234,n RMSE=23.70%）。（3）无人机单变量模型可基本满足对幼果期和膨果期LAI的预测,但对于初花期以及成熟期来说,单变量模型的精度较低,融合光谱和纹理特征的LAI估算模型精度更高。膨果期结合纹理特征的SWR模型精度（验证R~2=0.789）高于纯光谱特征模型（验证R~2=0.690）,与纯光谱特征模型相比,结合纹理特征后的模型估测能力更强。因此,光谱和纹理特征的结合更适用于猕猴桃园的生长监测。机器学习算法RFR模型对LAI的估算精度较高,且能显著提高模型的预测性和准确性,膨果期估算模型（验证R~2=0.829,RMSE=0.069,n RMSE=13.49%）在不同生育期模型中的预测精度最高。（4）通过对猕猴桃园LAI反演“点—面”和“面—面”升尺度转换的研究发现,基于无人机高分辨率尺度的普通克里金插值法更适用于猕猴桃园LAI反演尺度的研究,验证R~2达0.656,且“点—面”升尺度转换前后,LAI空间分布特征呈现相似趋势;无人机高分辨率影像经“面—面”升尺度转换前后,LAI空间分布特征基本相似,但与Sentinel-2估算出的LAI分布特征有所差异,无人机升尺度后的LAI估测值偏低,此外,无人机升卫星10 m尺度后与Sentinel-2影像的拟合效果一般。