La estimación y el monitoreo del contenido de clorofila son pasos críticos en el análisis de imágenes espectrales de cultivos. La evaluación rápida y no destructiva del contenido de clorofila en las hojas de arroz puede optimizar la fertilización con nitrógeno, beneficiar al medio ambiente y a la economía, y mejorar la gestión y calidad de la producción de arroz. En esta investigación, se realiza un análisis espectral de las hojas de arroz utilizando espectroscopía hiperespectral y de fluorescencia para la detección del contenido de clorofila en las hojas de arroz. Este estudio generó noventa conjuntos de datos espectrales experimentales al recolectar muestras de hojas de arroz de una granja en la provincia de Sichuan, China. Al implementar un algoritmo de extracción de características, este estudio comprime bandas espectrales redundantes y posteriormente construye modelos de aprendizaje automático para revelar correlaciones latentes entre las características extraídas. Se examinan las capacidades de predicción de seis métodos de extracción de características y cuatro algoritmos de aprendizaje automático en dos tipos de datos espectrales, y se ideó un método preciso para predecir la concentración de clorofila en las hojas de arroz. El enfoque de combinación de características cuadráticas IVSO-IVISSA (Optimización de subconjuntos variables iterativos - Enfoque de reducción de espacio iterativo variable) basado en datos del espectro de fluorescencia, tiene el mejor rendimiento de predicción entre los algoritmos CNN+LSTM (Red Neuronal Convolucional Memoria a Largo Corto), con índices correspondientes de RMSE-Train (Error Cuadrático Medio), RMSE-Test y RPD (Relación de la desviación estándar del conjunto de validación al error estándar de predicción) de 0.26, 0.29 y 2.64, respectivamente. Demostramos en este estudio que la espectroscopía hiperespectral y de fluorescencia, cuando se analiza con métodos de extracción de características y aprendizaje automático, proporciona una nueva vía para el monitoreo rápido y no destructivo de la salud de los cultivos, lo cual es crítico para el avance de la agricultura inteligente y de precisión.