La salinización del suelo representa un desafío crítico para la seguridad alimentaria global, afectando el crecimiento, desarrollo y rendimiento de los cultivos. Este estudio investiga la eficacia de las técnicas de aprendizaje profundo junto con la tecnología de imágenes de fluorescencia de clorofila (ChlF) para discernir los diferentes niveles de estrés salino en plántulas de soja. Los métodos tradicionales para la identificación del estrés en las plantas suelen ser laboriosos y consumir mucho tiempo, lo que impulsa la exploración de enfoques más eficientes. Se evalúan un total de seis modelos clásicos de red neuronal convolucional (CNN): AlexNet, GoogLeNet, ResNet50, ShuffleNet, SqueezeNet y MobileNetv2, para el reconocimiento del estrés salino basado en tres tipos de imágenes de ChlF. Los resultados indican que ResNet50 supera a otros modelos en la clasificación de los niveles de estrés salino a través de los tres tipos de imágenes de ChlF. Además, la fusión de características después de extraer tres tipos de características de imágenes de ChlF en la capa de agrupamiento promedio de ResNet50 mejoró significativamente la precisión de clasificación, alcanzando la mayor precisión del 98.61%, especialmente al fusionar características de los tres tipos de imágenes de ChlF. El análisis de reducción de dimensionalidad UMAP confirma el poder discriminativo de las características fusionadas para distinguir los niveles de estrés salino. Estos hallazgos subrayan la eficacia de las tecnologías de aprendizaje profundo y de imágenes de ChlF en la elucidación de las respuestas de las plantas al estrés salino, ofreciendo perspectivas para la agricultura de precisión y la gestión de cultivos. En general, este estudio demuestra el potencial de integrar el aprendizaje profundo con la imagen de ChlF para la detección precisa y eficiente del estrés en los cultivos, ofreciendo una herramienta robusta para avanzar en la agricultura de precisión. Los hallazgos contribuyen a mejorar la sostenibilidad agrícola y abordar los desafíos de la seguridad alimentaria global al permitir una gestión más efectiva del estrés en los cultivos.