Con el objetivo de abordar los desafíos de los métodos de clasificación tradicionales, que son laboriosos, consumen mucho tiempo e ineficientes, se propuso en este estudio un método de clasificación de variedades de trigo eficientes en nitrógeno utilizando máquina de soporte vectorial-impulso de gradiente extremo (SVM-XGBoost) basado en la teledetección hiperespectral de vehículos aéreos no tripulados (UAV). Primero, se analizaron ocho indicadores agronómicos estrechamente relacionados con la eficiencia de nitrógeno en el trigo utilizando reducción de dimensionalidad t-SNE y agrupamiento jerárquico, lo que permitió clasificar 12 variedades de trigo en variedades eficientes e ineficientes en nitrógeno bajo diferentes condiciones de estrés por nitrógeno. En segundo lugar, se empleó un método de selección de bandas de características hiperespectrales basado en el operador de selección y reducción absoluta mínima-muestreo adaptativo competitivo reponderado (Lasso-CARS) utilizando datos de dosel hiperespectral recopilados durante la etapa de espigado del trigo con un UAV para extraer bandas de características relevantes para la clasificación de trigo eficiente en nitrógeno. Este enfoque tuvo como objetivo mitigar el impacto de la alta colinealidad y el ruido en los datos hiperespectrales de alta dimensión en la construcción del modelo. Además, el método SVM-XGBoost integró las bandas de características extraídas con los vectores de soporte y las salidas de la función de decisión de la clasificación preliminar de SVM. Luego, aprovechó XGBoost para capturar relaciones no lineales y construir el modelo de clasificación final utilizando árboles de gradiente impulsados, logrando una clasificación inteligente de variedades de trigo eficientes en nitrógeno. El modelo también seleccionó estrategias de fertilización nitrogenada basadas en las características de diferentes variedades de trigo. Los resultados demostraron un rendimiento robusto bajo estrés por nitrógeno bajo, alto y nulo, con precisiones generales promedio del 74%, 83% y 70% (coeficientes Kappa: 0.67, 0.80 y 0.48), respectivamente. Este estudio proporcionó un método eficiente y preciso basado en la teledetección hiperespectral de UAV para la clasificación de variedades de trigo eficientes en nitrógeno, ofreciendo una base tecnológica para acelerar la cría de precisión.