为了通过植被指数（VI）准确、 可靠的获取不同施肥梯度、 不同品种的水稻叶面积指数（LAI）, 提出了一种基于改进的QGA-ELM算法应用于水稻LAI反演。 首先通过8折交叉验证确定极限学习机(ELM)最佳的隐含层神经元个数与隐含层激活函数类型, 再通过引入组合动态旋转角策略、 单点混沌交叉操作、 混沌变异操作、 确定性选择策略、 量子灾变操作对量子遗传算法（QGA）进行改进, 最后使用改进后的QGA算法优化ELM神经网络输入层到隐含层的连接权值和隐含层的阈值。 为了验证该模型普适性和有效性, 依次建立多元线性回归、 BP、 ELM、 QGA-ELM、 改进的QGA-ELM算法5种模型, 并在不同数据集上进行反演效果比较, 结果表明: （1）对比QGA-ELM算法和改进的QGA-ELM算法进化过程, 改进的算法能有效提升模型寻优能力, 避免算法早熟, 且能寻得更优结果。 （2）对比五种算法在不同数据集上的反演效果, 验证了NDVI, RVI与LAI之间主要为非线性关系, 且ELM神经网络模型反演效果要优于BP神经网络模型和多元线性回归模型。 （3）对比五种算法在不同数据集上的反演效果, 改进的QGA-ELM算法绝大部分情况下拥有最高的反演精度和最低的误差, 改进后的算法反演精度得到了明显提升, 泛化性能也得到了增强。 （4）改进的QGA-ELM算法在各种施肥梯度上均具有最高反演精度和最低误差, 且精度较高, 能为不同生长状况水稻LAI反演提供依据。 （5）五种模型对庆和香LAI反演精度均要高于龙稻18, 而改进的QGA-ELM算法在不同水稻品种上依然具有较高的反演精度, 且在不同水稻品种上反演精度相差极小, 远低于其他四种模型, 能很好适应不同水稻品种LAI反演要求, 极大提升模型的稳定性性, 为不同水稻品种反演提供参考意义。