El contenido de azúcar es un indicador esencial para evaluar la calidad y categorización de las peras crujientes, utilizándose para la identificación de la calidad de la fruta y la predicción de ventas en el mercado. En este estudio, combinamos un algoritmo de máquina de soporte vectorial (SVM) con optimización de algoritmo genético para estimar de manera confiable el contenido de azúcar en las peras crujientes. Evaluamos los datos espectrales y el contenido real de azúcar en las peras crujientes, luego aplicamos tres métodos de preprocesamiento a los datos espectrales: transformación de variable normal estándar (SNV), corrección de dispersión multivariante (MSC) y suavizado por convolución (SG). Se construyeron modelos de regresión de soporte vectorial (SVR) utilizando enfoques de procesamiento. Según los hallazgos, el modelo SVM preprocesado con suavizado por convolución (SG) fue el más preciso, con un coeficiente de correlación 0.0742 más alto que el de los datos espectrales en bruto. Basándonos en este hallazgo, utilizamos reponderación adaptativa competitiva (CARS) y el algoritmo de proyección continua (SPA) para seleccionar longitudes de onda representativas clave de los datos espectrales. Finalmente, utilizamos los datos de longitudes de onda características recuperadas para crear un modelo de máquina de soporte vectorial (GASVR) que fue ajustado genéticamente. El coeficiente de correlación del modelo SG-GASVR en el conjunto de predicción fue 0.0321 más alto y el error cuadrático medio de predicción (RMSEP) fue 0.0267 más bajo en comparación con los del modelo SG-SVR. El modelo SG-CARS-GASVR tuvo el coeficiente de correlación más alto, con 0.8992. En conclusión, el modelo SG-CARS-GASVR desarrollado proporciona un método confiable para detectar el contenido de azúcar en peras crujientes utilizando tecnología hiperespectral, aumentando así la precisión y eficiencia de la evaluación de calidad de las peras crujientes.