叶面积指数（Leaf Area Index， LAI）是反映作物生长状态的重要指标，常用植被指数来反演。传统的反演模型大都是基于多变量的多元回归模型，而基于双变量的多元回归模型在LAI反演中的潜力还未被充分发掘。通过提取卫星影像的光谱特征和纹理特征，基于皮尔逊相关系数分析各个遥感特征与冬小麦LAI之间的相关性，利用简单回归模型（Simple Regression， SR）、多元线性回归模型（Multiple Linear Regression， MLR）和随机森林回归模型（Random Forest Regression， RFR）开展遥感特征与冬小麦LAI之间的关系模型构建反演研究，并结合精度指标（决定系数R2，均方根误差RMSE，相对均方根误差rRMSE）判定各反演模型的反演精度，以提出最优的反演模型。研究表明：①所有植被指数和部分纹理指数在反演LAI中取得了较好的反演效果（R2>0.6）。其中，通用归一化植被指数（Universal Normalized Vegetation Index， UNVI）在各植被指数中表现最好（R2=0.754，RMSE=0.606，rRMSE=12.99%）。除了部分波段的均值特征反演精度与植被指数相当外，大多数纹理特征反演冬小麦LAI的精度欠佳；②通过两两变量组合，得到了冬小麦LAI反演精度最高的双变量多元线性回归模型（R2=0.780，RMSE=0.573，rRMSE=12.29%）；③在有多个输入变量（至少3种特征变量）的情况下，RFR的反演效果优于MLR。相较于纹理特征，纹理指数的反演性能更佳。研究结果可为后续基于卫星影像的大规模农作物LAI的监测工作提供一种新的思路与方法。