La predicción precisa del contenido de humedad del suelo ayuda a evaluar la calidad de la tierra de cultivo. Tomando el suelo negro en el Distrito de Nanguan de la Ciudad de Changchun como objeto de investigación, este documento propone un modelo de aprendizaje de conjunto de apilamiento que integra redes neuronales híbridas para abordar el problema de que es difícil mejorar la precisión de la inversión del contenido de humedad del suelo con un solo modelo. Primero, los datos hiperespectrales en bruto se procesan eliminando el ruido de borde y estandarizándolos. Luego, se adopta el algoritmo de optimización del lobo gris (GWO) para optimizar una red neuronal convolucional (CNN), y se agregan una unidad recurrente con compuerta (GRU) y un mecanismo de atención para construir un modelo de red neuronal híbrida (GWO-CNN-GRU-Atención). Para estimar el contenido de agua del suelo, el modelo de red neuronal híbrida se integra en el modelo de apilamiento junto con los algoritmos de Bagging y Boosting y la red neuronal feedforward. Los resultados experimentales demuestran que el modelo GWO-CNN-GRU-Atención propuesto en este documento puede predecir mejor el contenido de agua del suelo; el método de apilamiento de la integración de redes neuronales híbridas supera las limitaciones de la inestabilidad y la precisión inferior de un solo modelo. La desviación relativa de predicción (RPD), el error cuadrático medio (RMSE) y el coeficiente de determinación (R) en el conjunto de pruebas son 4.577, 0.227 y 0.952, respectivamente. El R y RPD promedio aumentaron en 0.056 y 1.418 en comparación con el algoritmo de aprendizaje base. Los resultados del estudio sientan las bases para la detección rápida del contenido de humedad del suelo en áreas de suelo negro y proporcionan una fuente de datos para la irrigación inteligente en la agricultura.