El cultivo de variedades de cacahuetes (L.) tolerantes a la salinidad y alcalinidad puede aumentar eficazmente el rendimiento de los granos en tierras salinas y alcalinas. Sin embargo, los métodos de evaluación tradicionales suelen ser engorrosos y consumen mucho tiempo. Para identificar rápidamente variedades de cacahuetes tolerantes al estrés salino- alcalino, esta investigación propuso un método de evaluación de la tolerancia al estrés salino- alcalino basado en el aprendizaje profundo y datos multimodales. Específicamente, la investigación primero estableció conjuntos de datos multimodales para cacahuetes en diferentes etapas de crecimiento y construyó un estándar de puntuación de estrés salino- alcalino basado en el aprendizaje no supervisado. Posteriormente, se construyó una red de aprendizaje profundo llamada BO-MFFNet y se optimizaron su estructura e hiperparámetros mediante el algoritmo de optimización de Bayes (BO). Finalmente, la predicción puntual de la puntuación de estrés salino- alcalino se llevó a cabo utilizando el modelo de regresión de proceso gaussiano. Los resultados experimentales muestran que el método multimodal es superior a los datos unimodales y que el algoritmo BO mejora significativamente el rendimiento del modelo. El error cuadrático medio y la desviación porcentual relativa del modelo BO-MFFNet son 0.089 y 3.669, respectivamente. El modelo predijo eficazmente la tolerancia al estrés salino- alcalino de cinco variedades, y los resultados predichos fueron Huayu25, Yuhua31, Yuhua33, Yuhua32 y Yuhua164 de mayor a menor. Esta investigación proporciona un nuevo método para evaluar la tolerancia de los cultivos bajo condiciones de estrés ambiental extremo.