La espectroscopía en el infrarrojo cercano (NIR) ha surgido como una técnica popular para evaluar la calidad de los alimentos debido a sus ventajas sobre los métodos de análisis químico complejos. Sin embargo, la aplicación de la espectroscopía NIR para evaluar la calidad del pescado en función del contenido de histamina no ha sido explorada extensamente. Este estudio investiga el uso de la espectroscopía NIR en combinación con técnicas de aprendizaje automático (ML) para clasificar muestras de pescado en dos clases de seguridad, Seguras y No Seguras, según su contenido de histamina. Se obtuvo un conjunto de datos NIR completo que comprende 11,360 espectros recolectados en ocho posiciones distintas dentro del cuerpo del pescado a partir de 284 muestras de especies de caballa, atún y pompano. Se realizaron experimentos de ML para clasificar las muestras de pescado según si su contenido de histamina superaba el límite permisible de 100 ppm. Para abordar el desequilibrio de clases y optimizar los modelos de ML, se exploraron diversas técnicas de preprocesamiento de datos y extracción de características, así como algoritmos de ML. Los resultados demostraron que utilizar datos NIR obtenidos específicamente de la carne de la cola, una ubicación específica dentro del pescado, produjo modelos superiores para la clasificación de seguridad del pescado. Un método de extracción de características que emplea espectros NIR preprocesados y sus segundas derivadas, combinado con una arquitectura de red neuronal convolucional optimizada, superó a los clasificadores de ML tradicionales con una precisión de aproximadamente 93%.