为了探寻适宜的小麦产量预测模型并提高其精度，从冬小麦灌浆期的无人机多光谱和RGB图像中提取了14种光谱参数和28种形态参数作为特征变量，利用线性回归、随机森林、神经网络等10种机器学习方法构建小麦田间产量预测模型，并比较了模型间预测能力的差异；同时，引入机器学习事后可解释性方法SHAP对输入的特征变量进行重要性分析和筛选，了解其提高模型预测能力的效果。结果表明：（1）10种机器学习模型中，误差逆传播神经网络BPNN的产量预测表现最好(r²=0.826,RMSE=0.094 t·hm^-2);（2）根据SHAP确定的特征变量重要性排序，花青素反射指数ARI和三维冠层体积Volume对于预测结果的影响最大，占全部特征重要性总和的45.48%;（3）经过SHAP特征筛选后，确定了在BPNN产量预测模型上表现最优的9个特征变量，其预测结果r²为0.865,RMSE为0.075 t·hm^-2,比使用全特征的BPNN和事前Pearson相关性分析方法在预测精度上均有提升。因此，在优选产量预测模型基础上，可采用SHAP机制对特征变量的重要性进行筛选和分析，以此进一步提高田间小麦产量预测精度。