El modelo de discriminación no destructiva basado en el infrarrojo cercano suele establecerse mediante la detección de espectros y métodos quimiométricos. Sin embargo, las diferencias inherentes entre los instrumentos impiden que el modelo se utilice de manera universal, y la transferencia de calibración se utiliza a menudo para resolver estos problemas. La transferencia de calibración de muestras estándar requiere muestras estándar adicionales para construir un mapeo matemático entre instrumentos. Por lo tanto, la transferencia de calibración sin estándar es un tema de investigación candente en este campo. Basado en la espectroscopía de infrarrojo cercano (NIRS), se propuso una nueva estrategia combinada de selección de longitudes de onda y transferencia de calibración sin estándar para transferir el modelo entre dos espectrómetros de infrarrojo cercano portátiles. Se aplicaron tres algoritmos de aprendizaje de transferencia (TL): análisis de componentes transferidas (TCA), adaptación de distribución equilibrada (BDA) y alineación de distribución incrustada en el espacio (MEDA) para lograr la transferencia de calibración sin estándar. Además, este documento presenta un método de análisis de error relativo (REA) para seleccionar longitudes de onda. Para seleccionar el modelo óptimo, se examinaron los parámetros de precisión, exactitud y recuperación para evaluar las capacidades discriminatorias de cada modelo. Los hallazgos muestran que el modelo MEDA-REA es capaz de una mayor precisión de predicción (exactitud = 94,54%) que los otros modelos de transferencia (TCA, BDA, MEDA, TCA-REA y BDA-REA), y se demuestra que la nueva estrategia tiene un buen rendimiento de transmisión. Además, REA muestra el potencial para filtrar bandas de onda para la transferencia de calibración y simplificar el modelo transferible.