La firmeza, el contenido de sólidos solubles (SSC) y la acidez titulable (TA) son sustancias características para evaluar la calidad de los tomates cherry. En este estudio, se propuso un sistema de imagen hiperespectral (HSI) que utiliza luz visible/cercana al infrarrojo (Vis-NIR) e infrarrojo cercano (NIR) para detectar las cualidades clave de los tomates cherry. Se compararon los efectos de la información espectral individual y de la información espectral fusionada en la detección de las diferentes cualidades de firmeza, SSC y TA de los tomates cherry. La fusión de capas de datos combinada con múltiples métodos de aprendizaje automático, incluidos la regresión de componentes principales (PCR), la regresión de mínimos cuadrados parciales (PLSR), la regresión de vectores de soporte (SVR) y la red neuronal de retropropagación (BP), se utiliza para el entrenamiento del modelo. Los resultados muestran que para la firmeza, SSC y TA, el coeficiente de determinación R del modelo de predicción multi-calidad establecido por espectros Vis-NIR es mayor que el de los espectros NIR. El R del mejor modelo obtenido por la fusión de bandas de SSC y TA es mayor a 0.9, y el del mejor modelo obtenido por la fusión de la banda de firmeza es mayor a 0.85. Es mejor utilizar las bandas espectrales después de la fusión de información para la detección de calidad no destructiva de los tomates cherry. Este estudio muestra que la tecnología de imagen hiperespectral puede ser utilizada para la detección no destructiva de múltiples cualidades de los tomates cherry, y que el método basado en la fusión de dos espectros tiene un mejor efecto de predicción para la detección rápida de múltiples cualidades de los tomates cherry en comparación con un solo espectro. Este estudio puede proporcionar cierto apoyo técnico para la detección no destructiva rápida de múltiples cualidades en otros melones y frutas.