El maíz ensilado es el alimento principal en la dieta de vacas lecheras y otros rumiantes. El alimento de maíz ensilado es muy susceptible a la descomposición y corrupción debido a la influencia de la fermentación secundaria aeróbica durante el proceso de ensilaje. En la actualidad, la prueba de calidad del ensilado de maíz se basa principalmente en la combinación de evaluación sensorial y medición de laboratorio. El método de revisión sensorial es difícil de lograr precisión y objetividad, mientras que el método de determinación de laboratorio tiene problemas como procedimientos de prueba engorrosos, consumo de tiempo, alto costo y daño a las muestras. En este estudio, se estableció un modelo de clasificación de calidad sensorial externa para diferentes calidades de alimento de maíz ensilado utilizando datos hiperespectrales. Para explorar la viabilidad de usar datos hiperespectrales para la clasificación de calidad sensorial externa del ensilado de maíz, se utilizó un sistema hiperespectral para recopilar datos espectrales de 200 muestras de maíz ensilado en la banda de 380-1004 nm, y las muestras se clasificaron en cuatro grados: excelente, bueno, medio y deteriorado según el estándar de la Asociación Alemana de Agricultura (DLG) para la evaluación sensorial de muestras de ensilado. Se utilizaron tres algoritmos para preprocesar los datos hiperespectrales del forraje, incluida la corrección de dispersión multiplicativa (MSC), la variante normal estándar (SNV) y el suavizado convolucional S-G. Para reducir la redundancia de los datos espectrales, se utilizaron análisis de combinación de variables (VCPA) y muestreo adaptativo reponderado competitivo (CARS) para la selección de longitudes de onda de características, y se utilizó el algoritmo de análisis discriminante lineal (LDA) para la reducción de dimensionalidad de datos, construyendo modelos de clasificación de bosques aleatorios (RFC), redes neuronales convolucionales (CNN) y máquinas de vectores de soporte (SVM). El mejor modelo de clasificación se derivó en base a la comparación de los resultados del modelo. Los resultados muestran que SNV-LDA-SVM es la combinación de algoritmos óptima, donde la precisión del conjunto de calibración es del 99.375% y la precisión del conjunto de predicción es del 100%. En resumen, combinado con la tecnología hiperespectral, el modelo construido puede realizar la discriminación precisa de la calidad sensorial externa del alimento de maíz ensilado, lo que proporciona un método de prueba no destructivo confiable y efectivo para la detección de calidad del alimento de maíz ensilado.