La demanda de carne segura y comestible ha llevado al avance de técnicas de almacenamiento en frío, pero la carne descongelada falsamente etiquetada sigue siendo un problema. Se han propuesto muchos métodos para este propósito, pero todos destruyen la muestra y solo pueden ser realizados en el laboratorio por personal capacitado. En este estudio, se utilizaron datos de imágenes hiperespectrales para construir un modelo de aprendizaje automático (ML) para discriminar entre muestras de carne de res recién refrigeradas, refrigeradas a largo plazo y descongeladas. Con cuatro métodos de preprocesamiento, se prepararon un total de cinco conjuntos de datos para construir un modelo de ML. Se utilizaron las técnicas PLS-DA y SVM para construir los modelos, y el rendimiento fue mayor para el modelo SVM aplicando corrección de dispersión y la función de núcleo RBF. Estos resultados sugieren que es posible construir un modelo de predicción para distinguir entre carne fresca y no fresca utilizando los espectros obtenidos al purificar cubos de datos de imágenes hiperespectrales, lo que puede ser un método rápido y no invasivo para análisis de rutina del estado de almacenamiento de la carne.