Dado que el pH es un factor clave que afecta la calidad del ensilaje de maíz, su detección precisa es esencial para garantizar la calidad del producto. Aunque los métodos tradicionales para probar el pH del alimento de ensilaje de maíz son ampliamente utilizados, los procedimientos suelen ser complejos y consumir mucho tiempo, y pueden dañar la muestra. Este estudio presenta una tecnología de imagen hiperespectral no destructiva (HSI) que proporciona un método más eficiente y rentable para monitorear el pH al capturar la información espectral de las muestras y analizar sus propiedades químicas y físicas rápidamente y sin contacto. Aplicamos cuatro métodos de preprocesamiento espectral, entre los cuales el método de corrección de dispersión multiplicativa (MSC) produjo los mejores resultados. Para minimizar la redundancia del modelo y mejorar el rendimiento predictivo, utilizamos seis métodos de extracción de características para la extracción de longitudes de onda características, integrándolos con cuadrados mínimos parciales (PLS), regresión de máquina de vectores de soporte no lineal (SVR) y algoritmos de máquina de aprendizaje extremo (ELM) para construir un modelo de predicción cuantitativa del valor de pH. Los resultados mostraron que el modelo basado en el método de extracción de longitudes de onda de características de bootstrapping soft shrinkage (BOSS) superó a los otros métodos de extracción de características, seleccionando 20 longitudes de onda características relacionadas con el valor de pH de 256 bandas y construyendo un modelo BOSS-ELM estable con coeficiente de determinación del conjunto de predicción, error cuadrático medio de predicción (RMSEP) y valores de desviación porcentual relativa (RPD) de 0.9241, 0.4372 y 3.6565, respectivamente. Para optimizar aún más el modelo para predecir con precisión el pH en cada píxel en imágenes hiperespectrales, empleamos tres algoritmos: el algoritmo genético (GA), el algoritmo de optimización de ballenas (WOA) y la búsqueda del águila calva (BES). Estos algoritmos optimizaron y compararon el modelo BOSS-ELM para obtener el mejor modelo para predecir el pH del ensilaje de maíz: el modelo BOSS-BES-ELM. Este modelo logró un coeficiente de determinación ( de 0.9598, un RMSEP de 0.3216 y un RPD de 5.1448. Generamos un mapa de distribución visualizada de la variación del valor de pH en el ensilaje de maíz utilizando el modelo BOSS-BES-ELM. Este estudio proporciona un sólido apoyo técnico y una referencia para la detección rápida y no destructiva del pH del ensilaje de maíz a partir de una imagen, un avance de gran importancia para garantizar la calidad del ensilaje de maíz.