El objetivo de esta investigación es investigar el potencial de la espectroscopía Raman y FT-IR, así como de modelos matemáticos lineales y no lineales, como herramienta para la discriminación de diferentes variedades de semillas de pimiento, tomate y lechuga. Después de la inspección visual de los espectros, se aplicó un preprocesamiento en las siguientes combinaciones: (1) suavizado + corrección de línea base lineal + normalización de vector unitario; (2) suavizado + corrección de línea base lineal + normalización de vector unitario + corrección de dispersión multiplicativa completa; (3) suavizado + corrección de línea base + normalización de vector unitario + derivada de segundo orden. El preprocesamiento fue seguido por un Análisis de Componentes Principales (PCA), y se aplicaron varios métodos de clasificación después de eso: el algoritmo de Máquinas de Vectores de Soporte (SVM), Análisis Discriminante de Mínimos Cuadrados Parciales (PLS-DA) y Análisis de Componentes Principales-Análisis Discriminante Cuadrático (PCA-QDA). SVM mostró el mejor poder de clasificación tanto en espectroscopía Raman (100.00, 99.37 y 92.71% para variedades de lechuga, pimiento y tomate, respectivamente) como en espectroscopía FT-IR (99.37, 92.50 y 97.50% para variedades de lechuga, pimiento y tomate, respectivamente). Además, nuestro enfoque novedoso de fusionar espectros Raman y FT-IR contribuyó significativamente a la precisión de algunos modelos, dando resultados de 100.00, 100.00 y 95.00% para variedades de lechuga, tomate y pimiento, respectivamente. Nuestros resultados indican que la espectroscopía Raman y FT-IR acoplada con aprendizaje automático podría ser una herramienta prometedora para la evaluación y gestión rápida y racional de recursos genéticos en colecciones de semillas ex situ e in situ.