Este estudio aborda el problema de la detección temprana de infestaciones de minadores de hojas en cultivos de garbanzos, un desafío agrícola significativo. Se motiva por el potencial de la imagen hiperespectral, una vez combinada adecuadamente con el aprendizaje automático, para mejorar la precisión en la detección de plagas. La originalidad consiste en la aplicación de estas técnicas a plantas de garbanzos en condiciones de laboratorio controladas utilizando un protocolo de infestación natural, algo no explorado previamente. Las dos metodologías principales adoptadas en el enfoque son las siguientes: (1) clasificación basada en características espectrales utilizando datos hiperespectrales dentro del rango de 400-1000 nm, donde se entrena un clasificador de bosque aleatorio para clasificar una planta como sana o infestada con huevos o larvas. Se probaron métodos de reducción de dimensionalidad como el análisis de componentes principales (PCA) y el análisis de componentes principales de kernel (KPCA), y se lograron las mejores precisión de clasificación (más del 80%). (2) Clasificación basada en VI, aprovechando índices asociados con la salud de la planta, como NDVI, EVI y GNDVI. Una máquina de vectores de soporte y clasificadores de bosque aleatorio clasificaron eficazmente plantas sanas e infestadas en base a estos índices, con precisión de clasificación de más del 81%. El objetivo principal era diseñar un marco integrado de detección temprana de plagas utilizando técnicas avanzadas de imagen y aprendizaje automático. Los resultados muestran que ambos enfoques han dado como resultado una alta precisión de clasificación, resaltando el potencial de este enfoque en la agricultura de precisión para intervenciones oportunas en el manejo de plagas.