El contenido de clorofila es un indicador crítico del estado fisiológico y la calidad de la fruta de los árboles de pera, con los valores del Desarrollo del Análisis de Plantas del Suelo (SPAD) sirviendo como un proxy efectivo debido a sus ventajas en la adquisición rápida y no destructiva. Sin embargo, los estudios actuales de recuperación de SPAD basados en teledetección están principalmente limitados a etapas fenológicas individuales o se basan en un conjunto estrecho de características de entrada, careciendo de una exploración sistemática de la fusión de características multi-temporales y análisis comparativo de modelos. En este estudio, las hojas de pera fueron seleccionadas como objeto de investigación, y se utilizaron datos de teledetección Sentinel-2 combinados con mediciones SPAD in situ para llevar a cabo un estudio de recuperación integral en múltiples etapas de crecimiento, incluyendo floración, cuajado de fruta, crecimiento de la fruta y madurez. Primero, se extrajo la reflectancia espectral y los índices de vegetación representativos y se sometieron a un análisis de correlación de Pearson para construir tres esquemas de características de entrada. Posteriormente, se emplearon cuatro algoritmos de aprendizaje automático -K-Vecinos más Cercanos (KNN), Bosque Aleatorio (RF), Máquina de Vectores de Soporte (SVM) y un Algoritmo Integrado Optimizado (OIA)- para desarrollar modelos de recuperación de SPAD, y las diferencias de rendimiento entre varias combinaciones de entradas y modelos fueron evaluadas sistemáticamente. Los resultados demostraron que (1) tanto la reflectancia espectral como los índices de vegetación mostraron correlaciones significativas con los valores de SPAD, indicando un fuerte potencial de recuperación; (2) el modelo OIA superó consistentemente a los algoritmos individuales, logrando la mayor precisión al utilizar el esquema de características combinadas; (3) entre las etapas fenológicas, la etapa de crecimiento de la fruta produjo el mejor rendimiento de recuperación, con valores de R de 0,740 y 0,724 para los conjuntos de entrenamiento y validación, respectivamente. Este estudio establece un marco de recuperación de SPAD robusto que integra características de múltiples fuentes y múltiples modelos, mejorando la precisión de predicción en diferentes etapas de crecimiento y proporcionando soporte técnico para la monitorización inteligente de huertos y la gestión de precisión.