Всестороннее описание фенотипов растений конкретных таксонов является важной задачей при описаниях родов, видов и построениях их естественных классификаций. Развитие современных технологий эффективного фенотипирования позволяет получать большое количество данных с количественным и/или качественным описанием различных признаков у растений, преимущественно на основе анализа их цифровых изображений. В исследовании проведено сравнение результатов оценки расщепления в F2 гибридов двух эндемичных тетраплоидных (2n = 4x = 28) видов пшениц – пшеницы эфиопской (Triticum aethiopicum Jakubz.) и пшеницы карталинской (T. carthlicum Nevski), полученных визуально и с помощью методов машинного обучения. В последнем случае для анализа расщеплений предложено использовать метод смеси гауссовых (нормальных) распределений в морфометрии растений для того, чтобы выделить группы, которые различаются по значениям признаков. Ввиду того что большинство таксономически значимых (видообразующих) признаков у пшениц контролируется олигогенно и имеет четкое фенотипическое проявление, гибридологический анализ был незаменимым и основным видом анализа для последующего детального фенотипирования колосьев видов пшениц с использованием методов машинного обучения. По ряду признаков оценки характера наследования таких признаков, полученные разными методами, совпадают. На основании результатов проведенного исследования мы можем утверждать, что признак «тетраостость» (наличие остей одновременно на цветковой и колосковой чешуях) видоспецифический (таксономически значим) для T. carthlicum и он может быть эффективно использован исследователями в таксономических целях как при проведении гибридологического анализа, так и в экспериментах с использованием машинного обучениям. Для T. aethiopicum таким видоспецифическим признаком является «характер (тип) остистости». Наша работа демонстрирует, что комбинация методов автоматического фенотипирования, модели смеси гауссовых распределений в принципе позволит проводить автоматический анализ выделения классов в F2 гибридов, различающихся по величинам фенотипических признаков. Это позволит, в свою очередь, выявлять наличие генов, ассоциированных с видоспецифическими признаками растений. Тем не менее требуется совершенствование применяемых алгоритмов искусственного интеллекта.