水分是影响草莓生长发育的关键因素，对其栽培具有重要意义。传统的水分测量方法虽精确但繁琐且具有破坏性；高光谱成像技术(HSI)因其高效、非破坏性和多属性检测优势，成为植物水分检测的理想选择。HSI数据量大且信息冗余，深度学习方法虽然能提取数据深层特征，但对大规模标注数据的依赖性限制了其应用。为此，引入了宽度学习系统(BLS)以解决在小样本上的训练问题，提出了一种基于BLS的草莓叶片含水率检测方法。首先制备了健康及干旱胁迫的草莓叶片样本，获取其高光谱图像及水分含量数据。通过分析3种超参数调优方法和4种预处理算法，构建了BLS含水率测定模型，并与偏最小二乘回归(PLSR)、支持向量机回归(SVR)、梯度增强决策树回归(GBDTR)和残差神经网络(ResNet)等对比模型进行了性能评估。结果显示，BLS模型在测试集上的决定系数(R~2)达到0.797 4,均方根误差(RMSE)为0.004 5,优于其他模型，比ResNet模型高0.039 4,证明其具有良好的泛化能力和预测准确性。此外，基于最优模型实现了草莓叶片含水率的可视化，通过生成含水率伪彩图直观展示草莓叶片的水分状态。研究结果表明，BLS模型在小样本的高光谱数据分析和草莓叶片含水率检测中具有可行性，为草莓叶片含水率的在线检测提供了科学依据。