El glifosato es el herbicida más ampliamente utilizado en la producción de cultivos debido a la amplia adopción de cultivos resistentes al glifosato (GR). Sin embargo, la pulverización de glifosato en cultivos no objetivo a partir de aplicaciones terrestres o aéreas puede causar lesiones graves en plantas de maíz no-GR. Para evaluar el daño en los cultivos de maíz no-GR causado por el glifosato y la capacidad de recuperación de las plantas dañadas, utilizamos la técnica de imagen hiperespectral (HSI) en experimentos de campo con diferentes tasas de aplicación de glifosato. Este estudio investigó las características espectrales de las plantas de maíz y evaluó el daño en las plantas de maíz causado por el glifosato. Basándonos en el análisis de imágenes HSI, se observó un patrón de variación espectral a 1 semana después del tratamiento (WAT), 2 WAT y 3 WAT en las plantas de maíz no-GR tratadas con glifosato. Además, se encontró que las plantas de maíz tratadas con tasas de glifosato iguales o superiores a 0.5X (X = 0.866 kilogramos de equivalentes de ácido/hectárea (kg ae/ha) representan la tasa de pulverización recomendada para el maíz GR) sufrirían un daño irreparable. Utilizando la distancia de Jeffries-Matusita como criterio de sensibilidad espectral, se seleccionaron tres bandas sensibles de los espectros medidos para crear dos índices espectrales para la diferenciación de la recuperabilidad de los cultivos en forma de relación de bandas y normalización, respectivamente. Con los dos índices espectrales, las plantas de maíz recuperables y no recuperables del daño fueron clasificadas con una precisión general superior al 95%. Luego, se combinaron tres algoritmos de aprendizaje automático (k-vecinos más cercanos, bosque aleatorio y máquina de vectores de soporte) respectivamente con el algoritmo de proyecciones sucesivas para crear modelos que relacionen las bandas espectrales seleccionadas con las tasas de pulverización de glifosato. Los resultados indicaron que los modelos lograron una precisión razonable, especialmente en el grupo de plantas recuperables. Este estudio ilustró el potencial de la técnica de imagen hiperespectral para evaluar el daño en los cultivos causado por herbicidas y la recuperabilidad de las plantas lesionadas utilizando diferentes enfoques de análisis de datos y modelado de aprendizaje automático para la gestión práctica de malezas en campos de cultivo.