La identificación precisa de variedades de granos de maíz es esencial para la gestión de recursos de germoplasma, la conservación de la diversidad genética y la optimización de la producción agrícola. Para abordar la necesidad de una identificación rápida y no destructiva de variedades, este estudio desarrolló un novedoso enfoque de aprendizaje automático interpretable que integra la resonancia magnética nuclear de bajo campo (LF-NMR) con características morfológicas de imágenes a través de un marco optimizado de máquina de soporte vectorial (SVM). Primero, se obtuvieron señales de LF-NMR de once variedades de granos de maíz, y se extrajeron diez características clave de las curvas de relajación transversal. Mientras tanto, se seleccionaron cinco características morfológicas de imágenes utilizando el algoritmo de eliminación recursiva de características (RFE). Antes de modelar, se utilizó el análisis de componentes principales (PCA) para determinar las características de distribución de los componentes internos para cada variedad de maíz. Posteriormente, se integraron las características de LF-NMR y los datos morfológicos de imágenes para construir un modelo de clasificación y se optimizaron los hiperparámetros de SVM utilizando un algoritmo de evolución diferencial mejorado, logrando una precisión de clasificación final del 96.36%, lo que demostró una gran robustez y precisión. La interpretabilidad del modelo se mejoró aún más utilizando valores de Shapley, que revelaron las contribuciones de características clave como la Señal Máxima y la Señal en la Curvatura Máxima a las decisiones de clasificación. Este estudio proporciona una solución técnica innovadora para la identificación eficiente de variedades de maíz, apoya la gestión refinada de recursos de germoplasma y sienta las bases para la mejora genética y aplicaciones agrícolas.