El uso de sensores multiespectrales conectados a vehículos aéreos no tripulados (UAVs) puede ayudar en la recolección de información morfológica y fisiológica de varios cultivos. Este enfoque, también conocido como fenotipado de alto rendimiento, combinado con el procesamiento de datos mediante algoritmos de aprendizaje automático (ML), puede proporcionar una discriminación rápida, precisa y a gran escala de genotipos en el campo, lo cual es crucial para mejorar la eficiencia de los programas de mejoramiento. A pesar de su importancia, los estudios destinados a clasificar con precisión híbridos de sorgo utilizando variables espectrales como conjuntos de entrada en modelos de ML aún son escasos en la literatura. Frente a este panorama, este estudio tuvo como objetivo: (I) discriminar híbridos de sorgo basados en la reflectancia del dosel en diferentes bandas espectrales (SB) e índices de vegetación (VIs); (II) evaluar el rendimiento de los algoritmos de ML en la clasificación de híbridos de sorgo; (III) evaluar el mejor conjunto de datos de entrada para los algoritmos. Se realizó un experimento de campo en la temporada de cultivo de 2022 en un diseño de bloques al azar con tres repeticiones y seis híbridos de sorgo. A los 60 días después de la emergencia del cultivo, se realizó un vuelo sobre el área experimental utilizando el Sensefly eBee con cinemática en tiempo real. Las bandas espectrales (SB) adquiridas por el sensor fueron: azul (475 nm, B_475), verde (550 nm, G_550), rojo (660 nm, R_660), Rededge (735 nm, RE_735) y NIR (790 nm, NIR_790). A partir de las SB adquiridas, se calcularon los índices de vegetación (VIs). Los datos se sometieron a un análisis de clasificación de ML, en el que se probaron tres configuraciones de entrada (usando solo SB, usando solo VIs y usando SB + VIs) y seis algoritmos: redes neuronales artificiales (ANN), máquina de vectores de soporte (SVM), árboles de decisión J48 (J48), bosque aleatorio (RF), REPTree (DT) y regresión logística (LR, técnica convencional utilizada como control). Hubo diferencias en la firma espectral de cada híbrido de sorgo, lo que permitió diferenciarlos utilizando SBs y VIs. El algoritmo ANN tuvo el mejor desempeño para las tres métricas de precisión probadas, independientemente de la entrada utilizada. En este caso, el uso de SB es factible debido a la rapidez y practicidad para analizar los datos, ya que no requiere cálculos para realizar los VIs. RF mostró una mejor precisión cuando se usaron los VIs como entrada. El uso de VIs proporcionó el mejor rendimiento para todos los algoritmos, al igual que el uso de SB + VIs que proporcionó un buen rendimiento para todos los algoritmos excepto RF. El uso de algoritmos de ML proporciona una identificación precisa de los híbridos, en donde destacan las ANN utilizando solo SB y RF utilizando VIs como entradas (por encima de 55 para CC, por encima de 0.4 para kappa y alrededor de 0.6 para F-score). Hubo diferencias en la firma espectral de cada híbrido de sorgo, lo que permite diferenciarlos utilizando longitudes de onda e índices de vegetación. El procesamiento de los datos multiespectrales utilizando técnicas de aprendizaje automático hizo posible diferenciar con precisión los híbridos, con énfasis en las redes neuronales artificiales utilizando bandas espectrales como entradas y el bosque aleatorio utilizando índices de vegetación como entradas.