La clorofila es un componente importante de la fotosíntesis de los cultivos, ya que es necesaria para el intercambio de materiales entre los cultivos y la atmósfera. La cantidad de clorofila presente refleja el crecimiento y estado de salud de los cultivos. La tecnología espectral es un método factible para obtener el contenido de clorofila de los cultivos. El índice espectral de primera derivada contiene suficiente información espectral relacionada con el contenido de clorofila y tiene una alta capacidad de predicción de clorofila. Por lo tanto, en este estudio, se obtuvieron datos de índices hiperespectrales y contenido de clorofila de hojas de dosel de soja en diferentes etapas de crecimiento. Se realizó la transformación de la primera derivada de los datos de reflectancia hiperespectral del dosel de soja y se seleccionaron cinco índices, altamente correlacionados con el contenido de clorofila de soja en cada etapa de crecimiento, como la entrada óptima de índice espectral. Se dividieron cuatro grupos de variables de entrada del modelo de acuerdo con las siguientes cuatro etapas de crecimiento: de cuatro hojas (V4), plena floración (R2), fruto completo (R4) y etapa de llenado de semillas (R6). Se utilizaron tres métodos de aprendizaje automático, máquina de vectores de soporte (SVM), bosque aleatorio (RF) y red neuronal de retropropagación (BPNN) para establecer un modelo de inversión del contenido de clorofila en diferentes etapas de crecimiento de la soja. Luego se verificó el modelo. Los resultados mostraron que el coeficiente de correlación entre el índice espectral óptimo y el contenido de clorofila de la soja estaba por encima de 0.5, el coeficiente de correlación del período R2 estaba por encima de 0.7 y el coeficiente de correlación del período R4 estaba por encima de 0.8. El modelo óptimo de estimación de soja y contenido de clorofila se establece mediante la combinación del índice espectral de primera derivada y RF durante el período R4. El coeficiente de determinación del conjunto de validación del modelo de estimación óptima (R) fue de 0.854, el error cuadrático medio (RMSE) fue de 2.627 y el error relativo medio (MRE) fue de 4.669, demostrando una alta precisión del modelo. Los resultados de este estudio pueden proporcionar una base teórica para monitorear el crecimiento y la salud de los cultivos de soja en diferentes etapas de crecimiento.