El contenido de materia orgánica del suelo (SOM) es un indicador clave para evaluar la salud del suelo, el ciclo del carbono y la degradación del suelo. Los métodos tradicionales de detección de SOM son complejos y lentos, y no satisfacen la demanda agrícola moderna de análisis rápido y no destructivo. Aunque se ha avanzado significativamente en la inversión espectral para la predicción de SOM, su precisión aún está por detrás de los métodos químicos tradicionales. Este estudio propone un enfoque novedoso para predecir el contenido de SOM mediante la integración de características espectrales, de textura y de color utilizando una red neuronal convolucional de tres ramas (3B-CNN). Los datos de reflectancia espectral (400-1000 nm) se recopilaron utilizando un dispositivo de imagen hiperespectral portátil. Se seleccionaron las 15 bandas espectrales con la mayor correlación de 260 bandas espectrales utilizando el Método del Coeficiente de Correlación (CCM), el algoritmo Boruta y el Algoritmo de Proyecciones Sucesivas (SPA). En comparación con otros métodos, CCM demostró un rendimiento superior en la reducción de dimensionalidad, conservando bandas altamente correlacionadas con SOM, lo que sentó una base sólida para la fusión de datos de múltiples fuentes. Además, se extrajeron seis características de textura del suelo de imágenes tomadas con un teléfono inteligente utilizando la matriz de co-ocurrencia de niveles de gris (GLCM), y se obtuvieron doce características de color a través del histograma de color. Estas características de múltiples fuentes se fusionaron mediante agrupamiento trilineal. Los resultados mostraron que el modelo 3B-CNN, que integra datos de múltiples fuentes, tuvo un excelente rendimiento en la predicción de SOM, con un R de 0.87 y un RMSE de 1.68, una mejora del 23% en R en comparación con el modelo 1D-CNN que utiliza solo datos espectrales. La incorporación de datos de múltiples fuentes en modelos tradicionales de aprendizaje automático (SVM, RF y PLS) también mejoró la precisión de la predicción, con mejoras de R que van del 4% al 11%. Este estudio demuestra el potencial de la fusión de datos de múltiples fuentes para predecir con precisión el contenido de SOM, lo que permite una evaluación rápida a escala de campo y proporciona una base científica para la fertilización de precisión y la gestión agrícola.