Como un rasgo funcional clave, el contenido de pigmentos fotosintéticos foliares (LPPC) juega un papel importante en la monitorización del estado de salud y la estimación del rendimiento de las manzanas. Las características hiperespectrales, incluidos los índices de vegetación (VIs) y derivados, se utilizan ampliamente para recuperar parámetros biofísicos de la vegetación. El método espectral de derivada fraccional muestra un gran potencial en la recuperación de LPPC. Sin embargo, aún es necesario explorar el rendimiento de las derivadas fraccionales y el aprendizaje automático (ML) para recuperar el LPPC de las manzanas. El objetivo de este estudio es probar la capacidad de utilizar métodos de derivada fraccional y ML para recuperar el LPPC de las manzanas. Aquí, los datos hiperespectrales en los dominios de 400-2500 nm se utilizaron para calcular la orden de derivada fraccional de 0.2-2, y luego las bandas sensibles se seleccionaron a través de la reducción de la dimensionalidad de las características para entrenar ML y construir el modelo de estimación de LPPC. Además, se desarrollaron métodos ML basados en VIs y modelos de regresión empírica para comparar con los métodos de derivada fraccional. Los resultados mostraron que los métodos ML impulsados por derivadas fraccionales tienen una mayor precisión que los métodos ML impulsados por los espectros originales o el índice de vegetación. Los resultados también mostraron que los métodos ML funcionan mejor que los modelos de regresión empírica. Específicamente, las mejores estimaciones del contenido de clorofila y contenido de carotenoides se lograron utilizando la regresión de vector de soporte (SVR) en la orden de derivada de 0.2 (R = 0.78) y 0.4 (R = 0.75), respectivamente. La derivada fraccional mantuvo una buena universalidad en la recuperación del LPPC de múltiples períodos fenológicos. Por lo tanto, este estudio destaca que la derivada fraccional y ML mejoraron la estimación del LPPC de las manzanas.