En el arroz, las infecciones causadas por o que se asemejan estrechamente a la mancha bacteriana inducida por pv., sin embargo, difieren en resistencia a medicamentos y estrategias de manejo. Este estudio explora el potencial de combinar la imagenología hiperespectral (HSI) con el aprendizaje automático para la detección rápida y precisa de los síntomas de la mancha bacteriana del arroz causados por varios patógenos. Se emplearon redes neuronales convolucionales unidimensionales (1DCNN) para construir un modelo de clasificación, integrando diversas técnicas de preprocesamiento espectral y algoritmos de selección de características para comparación. Para mejorar la robustez del modelo y mitigar el sobreajuste debido a muestras espectrales limitadas, se utilizaron redes generativas antagónicas (GAN) para aumentar el conjunto de datos. Los resultados indicaron que el modelo 1DCNN, después de la selección de características utilizando la eliminación de variables no informativas (UVE), logró una precisión del 86.11% y un puntaje F1 de 0.8625 en el conjunto de datos de cinco clases. Sin embargo, el dominio de muestras bacterianas mixtas impactó negativamente en el rendimiento de clasificación. Después de eliminar muestras de infección mixta, el modelo alcanzó una precisión del 97.06% y un puntaje F1 de 0.9703 en el conjunto de datos de cuatro clases, demostrando una alta precisión de clasificación en diferentes infecciones inducidas por patógenos. Se identificaron bandas espectrales clave en 420-490 nm, 610-670 nm, 780-850 nm y 910-940 nm, facilitando la diferenciación de patógenos. Este estudio presenta un enfoque preciso y no destructivo para la detección de enfermedades en plantas, ofreciendo valiosos conocimientos sobre la prevención y el manejo de enfermedades en la agricultura de precisión.