La adulteración en castañas chinas afecta la calidad, el sabor y el valor de la marca. El objetivo de este estudio fue explorar la viabilidad de la técnica de imagen hiperespectral (HSI) para determinar el origen geográfico de las castañas chinas. Un sistema HSI en el rango espectral de 400-1000 nm se aplicó para identificar un total de 417 castañas chinas de tres orígenes geográficos diferentes. El análisis de componentes principales (PCA) se utilizó preliminarmente para investigar las diferencias de los espectros promedio de las muestras de diferentes orígenes geográficos. Se desarrolló un modelo basado en aprendizaje profundo (1D-CNN, red neuronal convolucional unidimensional) primero, y luego se estableció el modelo basado en espectros completos y longitudes de onda óptimas para varios métodos de aprendizaje automático, incluido el análisis discriminante de mínimos cuadrados parciales (PLS-DA) y la máquina de vectores de soporte con optimización por enjambre de partículas (PSO-SVM). Los resultados óptimos basados en espectros completos para los modelos 1D-CNN, PLS-DA y PSO-SVM fueron del 97,12%, 97,12% y 95,68%, respectivamente. El muestreo adaptativo competitivo reponderado (CARS) y un algoritmo de proyecciones sucesivas (SPA) se utilizaron individualmente para la selección de longitudes de onda, y los resultados de los modelos simplificados mejoraron generalmente. Los resultados contrastantes demostraron que las precisiones de predicción de SPA-PLS-DA y 1D-CNN alcanzaron el 97,12%, pero 1D-CNN presentó un valor de coeficiente Kappa más alto que SPA-PLS-DA. Mientras tanto, las sensibilidades y especificidades de los modelos SPA-PLS-DA y 1D-CNN fueron ambas superiores al 90% para las muestras de cada origen geográfico. Estos resultados indicaron que tanto los modelos SPA-PLS-DA como 1D-CNN combinados con HSI tienen un gran potencial para la identificación del origen geográfico de las castañas chinas.