Esta investigación aborda el desafío crítico de lograr una selección de características precisa y eficiente en la clasificación basada en aprendizaje automático, especialmente para la agricultura inteligente, donde los métodos existentes a menudo no logran equilibrar la exploración y la explotación en conjuntos de datos complejos y de alta dimensionalidad. Aunque los enfoques actuales, como los algoritmos de optimización inspirados en la naturaleza, aprovechan los comportamientos biológicos para la selección de características, están limitados por su incapacidad para sinergizar diversas estrategias, lo que resulta en un rendimiento y escalabilidad subóptimos. Para abordar esto, presentamos el Algoritmo Híbrido de Depredadores para la Clasificación (HPA-C), un novedoso algoritmo híbrido de selección de características que integra de manera única el marco de una técnica de selección de características inspirada en la naturaleza con ecuaciones de actualización de posición de otros algoritmos, aprovechando diversos comportamientos biológicos como la ecolocalización, la búsqueda de alimentos y la caza colaborativa. Junto con una red neuronal convolucional personalizada (CNN), HPA-C logra una precisión de clasificación superior (98.6-99.8%) en conjuntos de datos agrícolas (Enfermedades de Hojas de Plantas, Detección de Malezas, Frutas-360 y Fresco y Podrido) y demuestra una adaptabilidad excepcional en diversas aplicaciones de imágenes.