Huanglongbing es una de las enfermedades más destructivas de los cítricos en todo el mundo. Los árboles infectados mueren debido a la ausencia de curas prácticas. Por lo tanto, la eliminación de árboles infectados por HLB es una de las principales gestiones para el control de la propagación de la enfermedad. Aquí, proponemos un método de detección de HLB no destructivo basado en la reflectancia hiperespectral de las hojas. En total, se recolectaron 72 imágenes hiperespectrales de hojas en un huerto de cítricos invadido por HLB en Tailandia y cada imagen se distinguió visualmente en función de la aparición de síntomas de HLB (sintomático) o la ausencia de síntomas (asintomático) en la hoja. Se aplicó un análisis de componentes principales a los datos hiperespectrales y se revelaron 16 longitudes de onda clave en las regiones del borde rojo a infrarrojo cercano (715, 718, 721, 724, 727, 730, 733, 736, 930, 933, 936, 939, 942, 945, 957 y 997 nm) que se diferenciaron característicamente en el grupo sintomático. Se examinaron siete modelos aprendidos en los datos espectrales en estas 16 longitudes de onda para evaluar su potencial para separar estos dos grupos de imágenes: bosque aleatorio, árbol de decisión, máquina de soporte vectorial, vecino más cercano, aumento de gradiente, regresión logística y discriminante lineal. Se utilizó la puntuación F1 para seleccionar el modelo más adecuado para distinguir las dos categorías: el bosque aleatorio logró la mejor puntuación de 99.8%, seguido por el árbol de decisión y el vecino más cercano. La fiabilidad del agrupamiento visual se evaluó mediante emparejamiento de vecinos más cercanos y prueba de permutación. Estos tres modelos separaron las dos categorías de imágenes con la misma precisión que los resultados de PCR, lo que indica su potencial como herramienta alternativa en lugar de PCR.