La clorofila es un indicador crucial para monitorear el crecimiento de los cultivos y evaluar el estado nutricional. La teledetección hiperespectral juega un papel importante en la agricultura de precisión, ofreciendo un enfoque no destructivo para predecir la clorofila foliar. Sin embargo, a menudo los espectros del dosel de los cultivos enfrentan desafíos de ruido de fondo y redundancia de datos. Para abordar estos problemas, este estudio desarrolla una estrategia de procesamiento integrada que incorpora múltiples técnicas de preprocesamiento, fusión de módulos secuenciales y métodos de extracción de características. Inicialmente, el espectro original (OS) de 2021, 2022 y el año de fusión se sometieron a preprocesamiento a través de suavizado de Transformada Rápida de Fourier (FFT), corrección de dispersión múltiple (MSC), la primera derivada (FD) y la segunda derivada (SD). En segundo lugar, se realizó la extracción de características utilizando Muestreo Competitivo Adaptativo con Reponderación (CARS), Retención Iterativa de Variables de Información (IRIV) y Análisis de Componentes Principales (PCA) basado en el módulo de fusión de orden de preprocesamiento óptimo de datos. Finalmente, se utilizó la Regresión de Mínimos Cuadrados Parciales (PLSR) para construir un modelo de predicción para el SPAD del trigo de invierno para comparar los efectos de predicción en diferentes años y etapas de crecimiento. Los hallazgos muestran que la fusión secuencial de módulos de preprocesamiento de FFT-MSC (preprocesamiento utilizando FFT en primer lugar y luego procesamiento secundario de los datos espectrales de FFT utilizando MSC) redujo efectivamente problemas como señales ruidosas y deriva de línea base. El modelo FFT-MSC-IRIV-PLSR (basado en los datos espectrales preprocesados de FFT-MSC combinados, selección de características utilizando IRIV y luego combinándolos con PLSR para construir un modelo de predicción) predice el SPAD con la mayor precisión general, con un R de 0,79-0,89, RMSE de 4,51-5,61 y MAE de 4,01-4,43. El modelo tuvo un mejor rendimiento en 2022, con un R de 0,84-0,89 y RMSE de 4,51-6,74. La mejor predicción durante diferentes etapas de crecimiento ocurrió en la etapa temprana de llenado, con un R de 0,75 y RMSE de 0,58. Sobre la base de esta investigación, el trabajo futuro se centrará en optimizar el proceso de procesamiento de datos e incorporar datos ambientales más ricos, para mejorar aún más la capacidad predictiva y aplicabilidad del modelo.