Este estudio adoptó la tecnología de imágenes hiperespectrales combinada con aprendizaje automático para detectar la gravedad de la enfermedad de la mancha de tallo a través del dosel del tallo madre de espárragos. Varias regiones de interés fueron seleccionadas de cada imagen hiperespectral, y se extrajeron los espectros de reflexión de las regiones de interés. Había 503 conjuntos de datos hiperespectrales en el conjunto de entrenamiento y 167 conjuntos de datos hiperespectrales en el conjunto de prueba. Los datos fueron preprocesados utilizando varios métodos y la dimensión fue reducida utilizando PCA. Se utilizaron los vecinos más cercanos (KNN), árbol de decisiones (DT), red neuronal BP (BPNN) y máquina de aprendizaje extremo (ELM) para establecer un modelo de clasificación de la mancha de tallo de espárragos. El modelo óptimo dependía de los métodos de preprocesamiento utilizados. Cuando el modelado se basó en el método ELM, el efecto de discriminación de grado de enfermedad del modelo FD-MSC-ELM fue el mejor con una precisión (ACC) de 1.000, una precisión (PREC) de 1.000, una recuperación (REC) de 1.000, un puntaje F1 (F1S) de 1.000 y una norma del error absoluto (NAE) de 0.000, respectivamente; cuando el modelado se basó en el método BPNN, el efecto de discriminación del modelo FD-SNV-BPNN fue el mejor con un ACC de 0.976, un PREC de 0.975, un REC de 0.978, un F1S de 0.976 y un error cuadrático medio (MSE) de 0.072, respectivamente. Los resultados mostraron que la imagen hiperespectral del dosel del tallo madre de espárragos combinada con métodos de aprendizaje automático podría usarse para clasificar y detectar la mancha de tallo en los tallos madre de espárragos.