Los contenidos de clorofila en los cultivos afectan al crecimiento, y una evaluación precisa ayuda en la gestión de campo. Los valores SPAD (Desarrollo de Análisis de Plantas en Suelo) de las hojas se utilizaron principalmente para estimar el contenido de clorofila. La interferencia de fondo afecta la precisión de la inversión del valor SPAD. Para abordar este problema, se propone un método de inversión SPAD de hojas de arroz que combina aprendizaje profundo y selección de características. Primero, se estableció un modelo de segmentación de hojas basado en U-Net. Luego, se extrajeron las características de color de las imágenes de las hojas. Siete características de color altamente correlacionadas con SPAD fueron seleccionadas a través del coeficiente de correlación de Pearson y la optimización de eliminación recursiva de características. Finalmente, se establecieron modelos de inversión SPAD de hojas basados en bosques aleatorios, regresión de vectores de soporte, BPNNs y XGBoost. Los resultados demostraron que U-Net podría lograr una segmentación precisa de las hojas con un MIoU máximo de 88.23. Los coeficientes de determinación R entre los valores SPAD anticipados y observados de los cuatro modelos fueron 0.819, 0.829, 0.896 y 0.721, y los errores cuadráticos medios (RMSE) fueron 2.223, 2.131, 1.564 y 2.906. A través de la comparación, el método puede predecir con precisión SPAD en diferentes imágenes de baja definición y saturación, mostrando una cierta robustez. Puede ofrecer soporte técnico para la evaluación precisa, no destructiva y acelerada del contenido de clorofila de las hojas de los cultivos a través de la visión por computadora.