Los componentes nutricionales de la soja, como la grasa y la proteína, deciden directamente la calidad de la soja. La detección rápida y precisa de estos componentes es significativa para las industrias de la soja y la cría de cultivos de soja. Este estudio desarrolló un mejorado SSA-SVM (regresión de vectores de soporte basada en el algoritmo de búsqueda de gorriones) para la detección rápida y precisa de la grasa y la proteína en semillas de soja utilizando datos de reflectancia hiperespectral. En este trabajo, se seleccionaron 85 muestras de soja. Después de que sus contenidos de grasa y proteína fueron analizados utilizando métodos químicos, se recopilaron un total de 85 grupos de datos de imagen hiperespectral utilizando el sistema de imagen hiperespectral. Se aplicó un método efectivo de preprocesamiento de datos para reducir el ruido y mejorar los modelos de predicción. Algunos modelos populares, incluidos la regresión de mínimos cuadrados parciales (PLSR), la regresión de bosque aleatorio (RFR) y la regresión de vectores de soporte basada en el algoritmo genético (GA-SVR), también se establecieron en este estudio. Los resultados experimentales mostraron que el modelo mejorado de SSA-SVM podía predecir los contenidos de nutrientes de las muestras de soja con precisión de 0.9403 y 0.9215 y RMSE de 0.2234 y 0.325 para la grasa y la proteína, respectivamente. La velocidad de convergencia mejoró significativamente. Por lo tanto, los datos hiperespectrales combinados con el algoritmo SSA-SVM presentado en este estudio fueron efectivos para evaluar la calidad de la soja.