O sensoriamento remoto é amplamente aplicado na detecção de áreas com a cultura da soja, pois com a obtenção de informações em tempo hábil, sobre a extensão, as condições fenológicas, conhecimento de variedades e o potencial de produção, é possível estabelecer estratégias de ação para comercialização, regulagem de estoques estratégicos e cobrança de royalties, o que se torna de grande importância econômica para um país. Para tanto, este trabalho foi conduzido em quatro áreas agrícolas na cidade de Deodápolis (MS) cultivadas com diferentes variedades de soja para avaliação espectral, tendo como principais objetivos a avaliação de sensores remotos (OLI, espectrorradiômetro e colorímetro) quanto à capacidade de caracterizar diferentes variedades da cultura da soja. Em um primeiro momento foi utilizada uma imagem multiespectral e transformada de nível de cinza para reflectância. Foi aplicado o algoritmo de Modelo Linear de Mistura Espectral (MLME) para separação das frações e isolamento da vegetação contida na imagem, diminuindo assim a mistura de alvos. Em seguida foi realizada a classificação supervisionada e sua verificação da separação das variedades de soja. Para análise espectral mais detalhada, realizou-se a leitura de 2400 pontos amostrais de folhas de soja, por meio do espectrorradiômetro FieldSpec 3 JR na faixa de 350 a 2500 nm. Além disso, foi realizada a leitura de cor das mesmas folhas amostradas com a utilização do colorímetro Minolta CR-400. Após as leituras e tabulação dos dados, os mesmos foram avaliados por meio de análise multivariada com todo o conjunto de curvas espectrais, isoladas pelos comprimentos de onda azul, verde, vermelho e infravermelho próximo, além dos índices de vegetação (EVI, NDVI, GNDVI, SAVI, TVI e OSAVI). Foram realizadas as análises: discriminante (60 e 80% dos dados), discriminante simulada (40 e 20% dos dados), componentes principais, agrupamento e tamanho de amostra. Na classificação pelo algoritmo MaxVer utilizando as três imagens-fração do MLME, as variedades foram separadas. Para a análise discriminante e análise discriminante simulada apresentaram resultados satisfatórios, com taxas de acerto globais médios para classificação próxima de 99,28 e 98,77 %, respectivamente. A análise por componentes principais e de agrupamento revelaram associações consideráveis entre as variáveis e as variedades, o que indica que cada variedade possui uma variável que a discrimina com maior eficácia em relação às demais. Houve grande variação no tamanho de amostra (número de folhas) para a estimação da média das variáveis. Contudo, foi possível observar que 200 folhas, como utilizado nesse trabalho, possibilita a obtenção de um erro máximo de 2% em relação à média.