La precisión en la irrigación y fertilización en la agricultura es vital para la producción sostenible de cultivos, basándose en la determinación precisa del estado nutricional del cultivo. Sin embargo, existen desafíos en la optimización de las redes neuronales tradicionales para lograr esto con precisión. Este documento tiene como objetivo proponer un método de identificación rápida para el contenido de agua y nitrógeno en los cultivos utilizando redes neuronales optimizadas. Este método aborda la dificultad en la optimización de la estructura tradicional de la red neuronal de retropropagación (BPNN). Utiliza 179 imágenes multiespectrales de cultivos (como maíz) como muestras para el modelo de red neuronal. La optimización por enjambre de partículas (PSO) se aplica para optimizar los nodos de la capa oculta. Además, este documento propone una estructura de red de doble capa oculta para mejorar la precisión de predicción del modelo. El modelo propuesto de PSO-BPNN de doble capa oculta mostró una mejora del 9,87% en la precisión de predicción en comparación con el modelo tradicional de BPNN. El coeficiente de correlación R para el nitrógeno y contenido de agua predichos en los cultivos fue de 0,9045 y 0,8734, respectivamente. Los resultados experimentales demuestran una alta eficiencia y precisión en el entrenamiento. Este método sienta una base sólida para el desarrollo de planes de irrigación y fertilización de precisión para la agricultura moderna y tiene prospectos prometedores.