【目的】针对传统单时相光谱难以高精度获取小麦全生育期时序动态表型，及对高产稳产潜力评价能力不足的问题，融合全生育期时序高光谱特征与Stacking集成学习算法，构建兼顾定性分类与定量估产的小麦种质稳产潜力评价鉴选方法。【方法】选取100个冬小麦材料，采集2022—2023和2023—2024年共16个小麦关键生育时期的时序冠层高光谱影像，计算全生育期时序光谱植被指数在时间轴上的均值（累积光合势）、标准差（持绿稳定性）和最大值（最大生长势）。降维并富集构建了包含21个全生育期统计特征及交互特征，通过年内独立标准化消除传感器年际环境漂移后，采用K-Means算法对195个有效品种样本进行非监督分类（K=3）；在此基础上，以第一年数据（92个样本）构建Stacking集成回归模型，对完全未知的第二年（98个品种）进行跨年份独立单产外推预测，利用方差膨胀偏差校正处理回归均值回归问题。【结果】主成分分析解析了累积光合势与生长稳定性2个维度，累计方差贡献率超过85%。基于此，K-means聚类将品种划分为高产稳健型、中等适应型和低产弱势型三类。亚群产量方差分析表明3个群体的实测单产差异达到极显著水平（F=17.83, P=7.91×10-8），高产稳健型群体的平均小区产量高于低产弱势型17.61%。以年内产量分位数作为真值对齐评估，总体分类精度达50.77%（Kappa=0.263），且对高产品种的安全筛选保留率高达93.94%，证实该非监督体系能有效识别并筛除低产落后种质。特征分析显示，全生育期绿光归一化植被指数（GNDVI）和优化土壤调节植被指数（OSAVI）对高产群体的评估贡献度较高，在生理学上解释了绿光和红边波段对郁闭冠层的穿透力强于红光波段，可有效规避传统NDVI在中后期的高产钝化问题。在跨年份独立验证下，外推预测值与实测值呈显著正相关关系（r=0.51,P=1.99×10-7，RMSE=0.38 t·hm-2），预测斜率成功纠正并提升至0.31。【结论】全生育期时序冠层光谱可用于小麦高产稳产型品种鉴别，基于时序光谱聚类与Stacking集成估产模型形成定性分级筛选结合定量产量排序的种质评价流程，可应用于高产稳产小麦优异种质筛选工作，为高产稳产优异材料鉴定选择提供方法参考。
