L. es una especie dioica rara que se valora por sus diversas aplicaciones y se cultiva a nivel mundial. Este estudio tuvo como objetivo desarrollar un método rápido y efectivo para determinar el sexo de una . Las hojas verdes y amarillas que representan las etapas de crecimiento anual fueron escaneadas con un imaginería hiperespectral, y se establecieron modelos de clasificación para imágenes RGB, características espectrales y una fusión de características espectrales e imágenes. Inicialmente, un modelo ResNet101 clasificó el conjunto de datos RGB utilizando el método de preprocesamiento de expansión de fondo de escalado proporcional, logrando una precisión del 90.27%. Además, se aplicaron algoritmos de aprendizaje automático como la máquina de soporte vectorial (SVM), el análisis discriminante lineal (LDA) y el análisis discriminante de subespacios (SDA). Se lograron resultados óptimos con SVM y SDA en la etapa de hoja verde y LDA en la etapa de hoja amarilla, con precisiones de predicción del 87.35% y 98.85%, respectivamente. Para aprovechar al máximo el modelo óptimo, se propuso un método de Periodo-Predeterminado (PP) en dos etapas, y se construyó un conjunto de datos de fusión utilizando las características espectrales e imágenes. La precisión general para el conjunto de predicción fue tan alta como el 96.30%. Este es el primer estudio en establecer un marco técnico estándar para la clasificación del sexo de Ginkgo utilizando imágenes hiperespectrales, ofreciendo una herramienta eficiente para aplicaciones industriales y ecológicas y el potencial para clasificar otras plantas dioicas.