La tecnología hiperespectral de imágenes se está volviendo popular en la agricultura para proporcionar información detallada sobre el crecimiento de los cultivos. En este trabajo, proponemos un modelo de estimación del contenido de agua de las vainas de colza y un modelo de identificación de niveles de madurez (verde, amarillo y completo) utilizando esta tecnología. Cuatro tipos de características hiperespectrales son extraídas: color, textura, parámetros espectrales de tres bordes e índices espectrales. Al integrar estas características, se logran resultados satisfactorios: la combinación óptima de características es de índices espectrales y parámetros de tres bordes, con bajo RRMSE y RE para la madurez amarilla. La incorporación de índices espectrales mejoró significativamente la estimación del contenido de agua de las vainas, reduciendo el RRMSE hasta un 43.30% y un 30.11% en las etapas de madurez verde y completa. Los algoritmos de bosque aleatorio y máquina de vectores de soporte con método de kernel superaron a otros modelos estadísticos, con la SVM-KM logrando hasta un 96.90% de precisión en la identificación de niveles de madurez. Estos hallazgos proporcionan información valiosa para gestionar la producción de colza durante la etapa de vainas.