A növényi kórokozók detektálása és terjedésük nyomon követése kulcsfontosságú a fenntartható mezőgazdasági gyakorlatok kialakításában. A növényi betegségek jelentős termésveszteséget és minőségi romlást okozhatnak, ezért elengedhetetlen a modern távérzékelési és adatelemzési technológiák alkalmazása a gyors és pontos diagnosztikában. Kutatásom célja a távérzékelési módszerek alkalmazhatóságának vizsgálata a növényi betegségek azonosításában, a fertőzési szintek és azok térbeli kiterjedésének felmérésében. Multispektrális UAV technológiát alkalmazva vizsgáltam a fertőzött és egészséges növényállomány spektrális tulajdonságait, különös tekintettel a pigmentációs és víztartalmi változásokra, valamint a szöveti destrukcióra. Az adatelemzési folyamat során fejlett algoritmusokat alkalmaztam a fertőzési mintázatok és terjedési dinamikák pontos meghatározására. A kutatás során megállapítottam, hogy a kukorica golyvásüszög (Ustilago maydis [DC.] Corda) betegség azonosítására a LCI, NDVI és GNDVI vegetációs indexek különösen alkalmasak. Az NDVI érték 20-50%-kal, a GNDVI érték 25-45%-kal, míg az LCI érték 30-40%-kal csökkent a fertőzött csemegekukorica Desszert R73 és Desszert R78 állományokban. Ezen indexek alkalmazása lehetőséget teremtett a növényi állomány egészségi állapotának részletes elemzésére és az eltérő kukorica hibridek elkülönítésére, amelyet az NDVI és ENDVI indexek is alátámasztottak. Továbbá, a vegetációs indexek és a fertőzés mértéke közötti szignifikáns összefüggések rávilágítottak arra, hogy a fertőzési szintek monitorozása és a prediktív modellek fejlesztése elősegítheti a hatékony növényvédelmi stratégiák kialakítását. A GNDVI-NDVI közötti korrelációs együttható (CCoe) 0,83, az LCI-NDRE esetében 0,97, míg az NDRE-GNDVI kapcsolat esetében 0,716 volt. A SPAD és GS NDVI paraméterek között optimális időjárási körülmények között erős pozitív kapcsolat mutatkozott (CCoe = 0,95), azonban extrém aszályos évjáratban negatív korreláció is megfigyelhető volt (CCoe = -0,17). A becsült összefüggés szerint 0,15 egység GS NDVI növekedés 4,995 SPAD egység emelkedést eredményezett. A gyakorlati alkalmazhatóságot illetően kutatásom eredményei hozzájárulhatnak a precíziós növényvédelem fejlődéséhez, különösen a GIS rendszerekbe integrálható adatelemzési eljárások révén. Az NDVI, GNDVI, ENDVI és LCI indexek további növénybetegségek azonosítására is adaptálhatók, valamint lehetőséget biztosítanak más növényi kultúrák egészségi állapotának felmérésére. Az optimális időjárási körülmények és felvételezési paraméterek figyelembevételével a prediktív modellek és diagnosztikai eljárások tovább finomíthatók a hatékonyabb növényvédelmi beavatkozások érdekében. The detection and monitoring of plant pathogens are crucial for developing sustainable agricultural practices. Plant diseases can cause significant yield loss and quality degradation, making the use of modern remote sensing and data analysis technologies essential for rapid and accurate diagnostics. The aim of my research was to examine the applicability of remote sensing methods for identifying plant diseases, assessing infection levels, and mapping their spatial extent. Using multispectral UAV technology, I analyzed the spectral properties of infected and healthy plant stands, with special focus on pigmentation and water content changes, as well as tissue degradation. During the data analysis process, advanced algorithms were employed to accurately determine infection patterns and spread dynamics. The research found that the vegetation indices LCI, NDVI, and GNDVI are particularly suitable for identifying common smut (Ustilago maydis [DC.] Corda) in maize. NDVI values decreased by 20–50%, GNDVI by 25–45%, and LCI by 30–40% in infected sweet corn hybrids Desszert R73 and Desszert R78. These indices enabled a detailed assessment of plant health and differentiation between maize hybrids, as also supported by NDVI and ENDVI indices. Furthermore, the significant correlations between vegetation indices and infection levels highlighted the potential of monitoring infection severity and developing predictive models to support effective plant protection strategies. The correlation coefficient (CCoe) between GNDVI and NDVI was 0.83, between LCI and NDRE it was 0.97, and between NDRE and GNDVI it was 0.716. A strong positive correlation (CCoe = 0.95) was observed between SPAD and GS NDVI parameters under optimal weather conditions, while a negative correlation (CCoe = -0.17) was found during extreme drought years. According to the estimated relationship, a 0.15 unit increase in GS NDVI resulted in a 4.995 unit increase in SPAD values. From a practical perspective, the results of my research may contribute to the advancement of precision plant protection, especially through data analysis methods that can be integrated into GIS systems. The NDVI, GNDVI, ENDVI, and LCI indices can be adapted for the identification of other plant diseases and also provide possibilities for assessing the health status of other crop types. Considering optimal weather conditions and imaging parameters, predictive models and diagnostic procedures can be further refined to enable more effective plant protection interventions.