La quercetina, un flavonoide clave en (Wall.) Lindl., juega un papel importante en la determinación del valor farmacológico de esta hierba medicinal. Sin embargo, los métodos tradicionales para la cuantificación de quercetina son destructivos y requieren mucho tiempo, lo que limita su aplicación en el monitoreo de calidad en tiempo real. Este estudio investiga las características de respuesta hiperespectral de la quercetina utilizando imágenes hiperespectrales en el infrarrojo cercano y establece un modelo basado en características para explorar su detectabilidad en las hojas. Escaneamos soluciones estándar de quercetina de concentración conocida bajo las mismas condiciones de imagen que las hojas para producir una serie de diluciones. Los métodos de selección de características utilizados incluyeron el algoritmo de proyecciones sucesivas (SPA), la correlación de Pearson y el muestreo adaptativo competitivo reponderado (CARS). Una red neuronal convolucional 1D (1D-CNN) entrenada en longitudes de onda seleccionadas por SPA produjo el mejor rendimiento de predicción. Estas longitudes de onda clave, particularmente la banda de 923 nm, mostraron una fuerte relevancia teórica y estadística con respecto a la absorción molecular de la quercetina. Cuando se aplicó a los espectros de hojas de plantas, el modelo entrenado estándar produjo valores de quercetina predichos de manera continua que distinguieron efectivamente cultivares con diferentes contenidos de flavonoides. La visualización PCA y la clasificación basada en ROC confirmaron la transferibilidad espectral y el potencial para la evaluación funcional. Este estudio demuestra una estrategia no destructiva, espacialmente resuelta e interpretativa bioquímica para identificar marcadores bioactivos en tejidos vegetales, ofreciendo una base metodológica para futuros estudios de inversión hiperespectral y evaluación de calidad inteligente en medicina herbal.