La presencia del moho gris puede afectar seriamente el rendimiento y la calidad de las fresas. Debido a su susceptibilidad y la rápida propagación de esta enfermedad, es importante desarrollar estrategias de identificación de enfermedades tempranas, precisas, rápidas y no destructivas. En este estudio, la detección temprana de enfermedades en las hojas de fresa se realizó utilizando imágenes hiperespectrales que combinan características multidimensionales como huellas espectrales e índices de vegetación. En primer lugar, se adquirieron imágenes hiperespectrales de hojas sanas y afectadas tempranamente (24 h) utilizando un sistema de imágenes hiperespectrales. Luego, se extrajo la reflectancia espectral (616) y el índice de vegetación (40). A continuación, se utilizó el algoritmo CARS para extraer características de huellas espectrales (17). El análisis de correlación de Pearson combinado con el método SPA se utilizó para seleccionar cinco índices de vegetación significativos. Finalmente, se utilizaron cinco métodos de aprendizaje profundo (LSTMs, CNNs, BPFs y KNNs) para construir modelos de detección de enfermedades en fresas basados en características individuales y de fusión. Los resultados mostraron que la precisión del modelo de reconocimiento basado en características fusionadas osciló entre el 88.9% y el 96.6%. El modelo de reconocimiento CNN basado en características fusionadas fue el mejor, con una precisión de reconocimiento del 96.6%. En general, el modelo basado en características fusionadas puede reducir la dimensionalidad de los datos de clasificación y mejorar efectivamente la precisión y exactitud predictiva del algoritmo de clasificación.