针对当前依赖人工取样和仪器测量获取玉米叶面积指数（LAI）所存在的高复杂性和低效率问题，本研究构建了一个包含624张图像的玉米图像数据集，数据集涵盖了河南地区夏玉米的三个生长阶段，分别为拔节期、小喇叭口期和大喇叭口期。此外，本文提出了一种基于改进卷积神经网络（CNN）的玉米LAI估算模型——LAINet，并在这三个关键生长阶段进行了LAI估算。研究中，基于ResNet架构对输出结构进行了改进，以适应回归任务。引入了Triplet模块实现特征融合和自注意力机制，从而提升了玉米LAI估算的准确性。通过调整模型结构以整合生长阶段信息，并改进损失函数以加速网络模型的收敛速度。该模型在自建数据集上进行了验证。结果表明，注意力机制的引入、生长阶段信息的整合以及损失函数的改进分别使得模型的R²值提升了0.04、0.15和0.05。其中，生长阶段信息的整合带来了最大的提升，R²值直接从0.54提高至0.69。改进后的LAINet模型达到了0.81的R2²值，表明该模型能够有效地估算玉米LAI，为田间作物表型监测提供信息技术支持。