Como un pigmento vital para la fotosíntesis en el arroz, el contenido de clorofila está estrechamente correlacionado con el estado de crecimiento y la capacidad fotosintética. La estimación del contenido de clorofila permite monitorear el crecimiento del arroz y facilita una gestión precisa en el campo, como la aplicación de fertilizantes e irrigación. El avance de la tecnología de teledetección hiperespectral ha hecho posible estimar el contenido de clorofila de manera no destructiva, rápida y efectiva, ofreciendo soporte técnico para gestionar y monitorear el crecimiento del arroz en áreas extensas. Aunque los datos hiperespectrales tienen una alta resolución espectral, también causan una gran cantidad de redundancia de información y ruido. Este estudio se centra en los problemas de variables de entrada inestables y la escasa aplicabilidad del modelo de estimación a diferentes períodos al predecir el contenido de clorofila del arroz. Al introducir la teoría del análisis armónico y el método de conversión tiempo-frecuencia, se propuso un marco de modelo de red neuronal profunda (DNN) basado en la transformación de paquetes de ondas-análisis armónico de primera orden (WPT-FD-HA), que evita la incertidumbre en el cálculo de parámetros espectrales. La precisión de la estimación del contenido de clorofila del arroz basada en variables WPT-FD y WPT-FD-HA se comparó en los períodos de plántula, macollaje, encañado, espigado, llenado de grano, leche y completo para evaluar la validez y generalizabilidad del marco sugerido. Los resultados demostraron que todos los modelos de WPT-FD-HA de validación de un solo período tenían valores de coeficientes de determinación (R) mayores a 0.9 y valores de RMSE menores a 1. El modelo de validación de múltiples períodos tuvo un error cuadrático medio (RMSE) de 1.664 y un R de 0.971. Incluso con la validación de división de datos independientes, la precisión del modelo de múltiples períodos aún puede alcanzar R = 0.95 y RMSE = 1.4. El marco de aprendizaje profundo basado en WPT-FD-HA exhibió una fuerte estabilidad. El resultado de este estudio merece ser utilizado para monitorear el crecimiento del arroz a gran escala utilizando datos hiperespectrales.