La escasez de agua es uno de los factores ambientales más significativos que inhibe la fotosíntesis y disminuye el crecimiento y la productividad de las plantas. Utilizando el modelo de red neuronal convolucional de aprendizaje profundo (CNN), este estudio evalúa la capacidad de la espectroscopia para estimar el contenido de agua en las hojas (LWC) en árboles frutales. Durante el mediodía, se adquirieron datos espectrales de muestras de hojas obtenidas de tres variedades distintas de árboles frutales, abarcando el rango espectral que va desde 350 hasta 2500 nm. Luego, para el preprocesamiento espectral, se utilizaron los algoritmos de derivada de orden fraccional (FOD) y transformada continua de ondaletas (CWT) para reducir los efectos de dispersión y ruido en los espectros recopilados. Finalmente, se desarrolló el modelo CNN para predecir el LWC en diferentes árboles frutales. Los resultados mostraron que: (1) Los espectros tratados con CWT y FOD podrían mejorar la capacidad de expresión espectral al mejorar la correlación entre los espectros y el LWC. El nivel de correlación del tratamiento FOD fue mayor que el del tratamiento CWT. (2) El modelo CNN desarrollado utilizando FOD y CWT tuvo un mejor rendimiento que otros métodos tradicionales de aprendizaje automático, como RFR, SVR y PLSR. (3) Una validación adicional utilizando muestras adicionales demostró que el modelo CNN tenía una buena estabilidad y capacidad de predicción cuantitativa para el LWC de los árboles frutales (R > 0.95, error cuadrático medio (RMSE) < 1.773% y diferencia porcentual relativa (RPD) > 4.26). Los resultados pueden proporcionar una forma efectiva de predecir el LWC de la fruta utilizando un modelo basado en CNN.