El óxido de hierro es la principal forma de hierro presente en los suelos, y sus actividades de acumulación y migración reflejan el proceso de lixiviación y el grado de desarrollo de la intemperización del suelo. Por lo tanto, es importante contar con información sobre el contenido de óxido de hierro en los suelos. Sin embargo, debido a las características espectrales superpuestas del óxido de hierro y la materia orgánica en el visible-infrarrojo cercano, son importantes los métodos de transformación espectral adecuados. En este documento, primero utilizamos transformaciones espectrales convencionales (eliminación de continuo, CR; variante normal estándar, SNV; absorbancia, log (1/R)), transformada de onda continua (CWT) y transformada diferencial de orden fraccional (FOD) para procesar espectros originales (OS). En segundo lugar, se utilizó el muestreo competitivo adaptativo reponderado (CARS) para extraer longitudes de onda características. Finalmente, se utilizaron dos modelos de regresión (red neuronal de retropropagación, BPNN; regresión de vector de soporte (SVR) para predecir el contenido de óxido de hierro. Los resultados muestran que la FOD puede mejorar significativamente la correlación con el óxido de hierro en comparación con la CR, SNV, log (1/R) y CWT; la deriva de la línea base y los picos superpuestos disminuyen al aumentar el orden de la FOD; el algoritmo CARS basado en el promedio del 50º puede seleccionar longitudes de onda características más estables; la FOD logra mejores resultados independientemente del método de modelado, y el modelo basado en la diferencial de orden 0.5 tiene el mejor rendimiento de predicción (R = 0.851, RMSE = 5.497, RPIQ = 3.686).