Identificar el daño causado por nematodos en grandes áreas de soja no siempre es posible de manera práctica. Los sensores de reflectancia multiespectral no han sido evaluados a fondo para detectar el daño por nematodos en la soja. Los principales objetivos de esta investigación fueron: (i) determinar la relación bivariada entre bandas espectrales individuales e índices de vegetación (VIs) en relación con las condiciones de la soja (sintomática versus asintomática), y (ii) seleccionar el mejor modelo para identificar las condiciones de las plantas utilizando tres algoritmos (regresión logística-LR, bosque aleatorio-RF, árbol de inferencia condicional-CIT) y tres opciones para la entrada de datos utilizando bandas, índices de vegetación (VIs) y bandas más VIs. El estudio se realizó en Brasil en tres campos de soja en fincas que presentaban diferentes especies de infestación por nematodos. Se obtuvo imágenes multiespectrales utilizando un sensor RedEdge de MicaSense montado en un dron. En cada muestreo, se recuperaron mediciones georreferenciadas de infestación por nematodos y mediciones espectrales de plantas de soja para la clasificación de áreas sintomáticas y asintomáticas, de acuerdo con el nivel de umbral adoptado. Se utilizaron análisis de varianza bivariada (ANOVA), LR, RF y CIT para seleccionar las bandas/VIs multiespectrales que discriminaban entre plantas sintomáticas y asintomáticas, evaluando el mejor modelo a través de sus respectivos parámetros de precisión, sensibilidad y especificidad. La mayor precisión de clasificación (>0.70) se logró al utilizar el algoritmo CIT con solo las bandas espectrales, con verde (560 +/- 20 nm) y cerca del infrarrojo (840 +/- 40 nm) incluidos como las principales variables de entrada espectrales en el modelo. Estos resultados demuestran el potencial de combinar datos obtenidos por teledetección y aprendizaje automático para distinguir entre plantas de soja sintomáticas y asintomáticas de nematodos.