Para detectar de manera eficiente el contenido total de nitrógeno en las hojas de pera fragante de Korla, se utilizó la tecnología de espectroscopía de infrarrojo cercano para desarrollar un modelo de detección. Los espectros recopilados se sometieron a diversas técnicas de preprocesamiento que incluyen la derivada de primer orden, derivada de segundo orden, Savitzky-Golay + derivada de segundo orden, corrección de dispersión multivariante, corrección de dispersión multivariante + derivada de primer orden, y transformación de variable normal estándar + derivada de segundo orden. Se empleó un algoritmo competitivo de muestreo adaptativo reponderado para extraer longitudes de onda características, y se estableció un modelo de predicción para el contenido total de nitrógeno de las hojas de pera fragante combinando el algoritmo de bosque aleatorio, algoritmo de bosque aleatorio basado en algoritmo genético, algoritmo de red neuronal de base radial y algoritmo de máquina de aprendizaje extremo. El estudio encontró que el preprocesamiento espectral de SNV + SD junto con el algoritmo de red neuronal de base radial ofreció mejores predicciones para el contenido total de nitrógeno de las hojas de pera fragante. Los resultados del conjunto de validación mostraron un R de 0.8547, RMSE de 0.291% y RPD de 2.699. Por lo tanto, el modelo de combinación de algoritmo SNV + SD + CARS + RBF demostró ofrecer un rendimiento integral óptimo en la predicción del contenido total de nitrógeno de las hojas de pera fragante.