El níspero (Eriobotrya japonica L.) es una fruta importante para la economía de algunas regiones de España, pero es muy susceptible a daños mecánicos y trastornos fisiológicos. Este hecho deprecia su valor e impide su exportación. Por ello, en este trabajo se utilizaron imágenes hiperespectrales en el espectro visible e infrarrojo cercano para detectar y discriminar entre algunos de los defectos externos e internos más comunes del níspero cv. ‘Algerie’. Se han evaluado dos algoritmos de aprendizaje automático (Machine Learning) como Random Forest y XGBoost, para distinguir entre frutas sanas y con cuatro tipos de defectos, de acuerdo con tres enfoques. En el primero, los píxeles de la fruta se clasificaron en dos clases, sanos o con daño, con una tasa de éxito del 97,5 %. En el segundo, se consideraron los daños internos (invisibles) y externos por separado, logrando una tasa de éxito del 96,7 %. Por último, se consideró cada tipo de defecto por separado, es decir, mancha púrpura, golp