La biomasa seca sobre el suelo (AGDB) del trigo de invierno puede reflejar el crecimiento y desarrollo del trigo de invierno. La monitorización rápida de AGDB mediante la tecnología hiperespectral es de gran importancia para obtener el estado de crecimiento y desarrollo del trigo de invierno en tiempo real y promover el aumento del rendimiento. Este estudio analizó los cambios de AGDB basados en un experimento de riego de trigo de invierno. Al mismo tiempo, se obtuvieron AGDB y la reflectancia hiperespectral del dosel del trigo de invierno. Se estudió el efecto de algoritmos de preprocesamiento espectral como el logaritmo recíproco (Lg), corrección de dispersión múltiple (MSC), variación normal estandarizada (SNV), primera derivada (FD) y segunda derivada (SD); métodos de división de muestras como el método del gradiente de concentración (CG), el método Kennard-Stone (KS) y el método de partición de subconjuntos de muestra basado en el método de distancias X-Y conjuntas (SPXY); relaciones de división de muestras como 1:1 (Ratio1), 3:2 (Ratio2), 2:1 (Ratio3), 5:2 (Ratio4) y 3:1 (Ratio5); algoritmos de reducción de dimensiones como eliminación de variables no informativas (UVE); y algoritmos de modelado como regresión de mínimos cuadrados parciales (PLSR), regresión lineal múltiple paso a paso (SMLR), red neuronal artificial (ANN) y máquina de vectores de soporte (SVM) en el modelo de monitorización hiperespectral de AGDB de trigo de invierno. Los resultados mostraron que el riego puede mejorar la AGDB y la reflectancia espectral del dosel del trigo de invierno. El algoritmo de preprocesamiento espectral puede cambiar la curva espectral original y mejorar la correlación entre el espectro original y la AGDB del trigo de invierno y seleccionar las bandas de 1400 nm, 1479 nm, 1083 nm, 741 nm, 797 nm y 486 nm, que tienen una alta correlación con la AGDB. Los conjuntos de calibración y validación divididos por diferentes métodos de división de muestras y relaciones de división de muestras tienen diferentes características de distribución de datos. El método UVE puede eliminar claramente algunas bandas en la banda de espectro completo. SVM es el mejor algoritmo de modelado. Según la universalidad de los datos, el mejor método de división de muestras, relación de división de muestras y algoritmo de modelado son SPXY, Ratio4 y SVM, respectivamente. Combinando el espectro original y utilizando UVE para seleccionar bandas, se puede obtener un modelo con un rendimiento estable y alta precisión. Según la particularidad de los datos, el mejor modelo en este estudio es FD-CG-Ratio4-Full-SVM, para el cual el R, RMSE, R, RMSE y RPD son 0,9487, 0,1663 kg·m, 0,7335, 0,3600 kg·m y 1,9226, respectivamente, lo que puede realizar la monitorización hiperespectral de AGDB de trigo de invierno. Este estudio puede proporcionar una referencia para el riego racional del trigo de invierno en el campo y proporcionar una base teórica para monitorear la AGDB del trigo de invierno mediante el uso de la tecnología de teledetección hiperespectral.