为进一步提升利用高光谱数据快速监测叶片含水量的能力，以关中地区冬小麦为研究对象，分别获取2022和2023年孕穗期、抽穗期及灌浆期冬小麦叶片含水量，并同步监测叶片高光谱信息。通过波段组合的形式构建植被指数，并利用相关性分析进行初步筛选，再以ReliefF算法优选得到输入特征变量，然后分别利用随机森林（random forest, RF）、长短期记忆（long short-term memory, LSTM）网络和基于粒子群（particle swarm optimization, PSO）优化的反向传播神经网络（back propagation neural network, BPNN）构建冬小麦叶片含水量估算模型，并进行精度评价。结果表明，通过相关性分析与ReliefF算法结合优选变量，能够较单独通过相关分析明显提升LSTM和PSO-BPNN模型的建模精度，但对RF模型则无法优化变量。相关性分析与ReliefF结合后PSO-BPNN模型在各生育时期均取得最佳预测结果，其中孕穗期、抽穗期和灌浆期验证集r²分别为0.816、0.736和0.806,RMSE分别为0.546%、0.899%和1.531%,NRMSE分别为0.681%、1.195%和2.185%。由此可见，在相关分析的基础上，通过ReliefF算法优选特征变量能够提升特定模型对冬小麦叶片含水量的估算精度，其中对PSO-BPNN模型的效果最好。