El suelo orgánico de carbono (SOC) de tierras de cultivo es crucial para la seguridad alimentaria mundial y la mitigación del efecto invernadero. La predicción precisa del SOC utilizando datos hiperespectrales es esencial para el monitoreo dinámico de los depósitos de carbono en suelos de tierras de cultivo. Sin embargo, los métodos efectivos para reducir la dimensionalidad de los datos hiperespectrales e integrarlos con algoritmos de regresión adecuados para modelos de predicción confiables son poco comprendidos. En este estudio, analizamos 108 muestras de suelo del Condado de Changting, Provincia de Fujian, China. Nuestro objetivo fue evaluar el rendimiento de varias combinaciones de seis métodos de selección de características y cuatro algoritmos de regresión para la predicción del SOC. Nuestros hallazgos son los siguientes: la combinación del Algoritmo de Proyecciones Sucesivas (SPA) y Mínimos Cuadrados Parciales (PLS) arrojó los resultados más favorables, con R (0.61), RMSE (1.77 g/kg) y MAE (1.48 g/kg). Además, determinamos la importancia relativa de las variables, con la siguiente clasificación: 696 nm > 892 nm > 783 nm > 1641 nm > 1436 nm > 396 nm > 392 nm > 2239 nm > 2129 nm. Notablemente, 696 nm exhibió la mayor importancia en el modelo SPA-PLS, con un valor de Importancia de Variable en Proyección (VIP) de 1.22. Este estudio proporciona conocimientos profundos sobre métodos de selección de características y algoritmos de regresión para la predicción del SOC, destacando la superioridad de SPA-PLS como la combinación óptima.