Asegurar información auténtica sobre la identidad de las semillas de algodón es crucial para preservar los medios de vida de los agricultores. Los métodos tradicionales de identificación de semillas suelen ser demorados y presentan un alto grado de dificultad. La espectroscopia Raman, en combinación con el aprendizaje automático (ML), ha abierto nuevas oportunidades para la identificación de semillas. En este estudio, exploramos la viabilidad de utilizar espectroscopia Raman combinada con ML para la identificación de semillas de algodón. Utilizando microscopía confocal Raman, construimos huellas dactilares de semillas de algodón y analizamos sus picos Raman importantes. Integramos dos métodos de exploración de características (Análisis de Componentes Principales y optimización de Harris Hawk) y tres algoritmos de ML (Máquina de Soporte Vectorial, eXtreme Gradient Boosting y Perceptrón Multicapa) en un marco de análisis de espectroscopia Raman para identificar con precisión cultivares de semillas de algodón. A través de la utilización de SHapley Additive exPlanations (SHAP), proporcionamos una explicación detallada del proceso de toma de decisiones del modelo. Nuestros resultados demuestran que XGBoost, un modelo basado en árboles, exhibe una precisión sobresaliente (precisión general de 0.94-0.88) en la identificación de semillas de algodón. Notablemente, la lignina surgió como un factor pivotal que influyó fuertemente en la predicción de cultivares de semillas de algodón, como reveló la interpretación de XGBoost. En general, nuestro estudio ilustra la efectividad de combinar la espectroscopia Raman con ML para identificar con precisión cultivares de semillas de algodón. El marco SHAP utilizado en nuestro estudio permite al personal relacionado con las semillas comprender mejor el mecanismo de predicción del modelo. Se espera que estas valiosas ideas mejoren las prácticas de siembra y gestión de semillas en el futuro.