Este artículo ofrece una solución prospectiva a la baja calidad y a las características menos prominentes de las imágenes espectrales de terahercios originales de granos de trigo en mal estado causadas por el sistema de imagen y el ruido de fondo. En este artículo se propone un modelo de mejora de imagen espectral de terahercios CBDNet-V. En comparación con los algoritmos tradicionales, la relación pico-señal a ruido (PSNR) y la similitud estructural (SSIM) de las imágenes mejoradas obtenidas utilizando el modelo propuesto muestran una mejora en el rendimiento. Validado por la red de clasificación ResNet-50, el modelo propuesto procesa imágenes con una precisión del 94,8%, y la precisión de reconocimiento mejora en un 3,7% y 1,9%, respectivamente, en comparación con las imágenes solo con eliminación de ruido y extracción de características. Los resultados experimentales indican que la tecnología de imagen espectral de terahercios basada en aprendizaje profundo para granos de trigo en mal estado tiene buenas perspectivas en la identificación de granos de trigo en mal estado.