Se propone en este estudio un sistema de evaluación de poda de árboles basado en aprendizaje profundo, que integra imágenes hiperespectrales, datos de sensores y reglas de sistemas expertos. El sistema tiene como objetivo mejorar la precisión y robustez de las tareas de poda de árboles mediante la fusión de datos multimodales y estrategias de aprendizaje en línea. Diversos modelos, incluidos Mask R-CNN, SegNet, Tiny-Segformer, Box2Mask, CS-Net, SVM, MLP y Random Forest, se utilizaron en los experimentos para realizar la segmentación de árboles y la evaluación de poda, con evaluaciones de rendimiento exhaustivas realizadas. Los resultados experimentales demuestran que el modelo propuesto sobresale en la tarea de segmentación de árboles, logrando una precisión del 0.94, una recuperación del 0.90, una puntuación F1 de 0.92, y mAP@50 y mAP@75 de 0.91 y 0.90, respectivamente, superando a otros modelos comparativos. Estos resultados confirman la efectividad de la fusión de datos multimodales y estrategias de optimización dinámica en la mejora de la precisión de la evaluación de poda de árboles. Los experimentos también resaltan el papel crítico de los datos de sensores en la evaluación de poda, especialmente cuando se combinan con la estrategia de aprendizaje en línea, ya que el modelo puede optimizar progresivamente las decisiones de poda y adaptarse a los cambios ambientales. A través de este trabajo, se demuestran el potencial y las perspectivas del sistema de evaluación de poda de árboles basado en aprendizaje profundo en aplicaciones prácticas.