The agro industry of the apple generates, during the processing, the pomace which is considered the main by-product. Studies show that of the total amount of fruit that is processed to obtain the apple juice, 20 to 40 correspond to this by-product, which, is usually destined as a complement in animal feed or delivered onto the soil as organic fertilizer. The chemical composition, in moist base, is constituted by moisture (80), fibers (5) and soluble solids (14) represented, mainly, by fructose, glucose and sucrose, as well as, by organic acids, represented, in the most part by malic acid. The apple pomace also presents phenolic compounds that are target nutrients of great sensory and nutritional importance. Therefore, the quantification of its constituents represents an important source of data in the characterization of apple pomace for biotechnological purposes, seeking to attribute an appropriate use for this by-product. The conventional methodologies used for the quantification of sugars, organic acids and total phenols, although being part of the routine analyses in the quality control laboratories, are onerous, time consuming and generate residues. The aim of this study was to develop a fast, versatile analytical technique, of low cost and no pollutant, using the diffuse reflectance infrared spectroscopy (DRIFTS) allied to methods of multivariate calibration (PLSR). For the construction of the multivariate models, the averages of the concentrations of the simple sugars, malic acid and total phenols were used, obtained by the conventional methodologies, as well as the data in the medium infrared spectroscopy (MID) and near (NIR), obtained in duplicate, and of the 52 spectra obtained for the samples of apple pomace, 47 made part of the set calibration and 5 of the set validation. The regression models for the prediction of the concentration of fructose, sucrose, total phenols and malic acid obtained better results in MID, with averages of relative standard errors of 3.9 (with 5 Latents Variable), 6.6 (with 5 Latents Variable), 6.4 (with 4 Latents Variable) and 5.9 (with 5 Latents Variable), respectively. Already the best capacity prediction for glucose concentration was obtained by NIR, in which the average of relative standard error was 7.4 (with 6 Latents Variable). The obtained results demonstrate the good capacity of prediction of the multivariate models based in infrared spectroscopy and characteristic advantages of the association DRIFTPLSR.A agroindústria da maçã gera, durante o processamento, o bagaço que é considerado o principal subproduto deste setor. Levantamentos mostram que da quantidade total de fruta que é processada para a obtenção do suco de maçã, 20 a 40 correspondem a este subproduto, que, normalmente, é destinado como complemento na alimentação animal ou dispensado no solo como adubo orgânico. Sua composição química, em base úmida, é constituída por umidade (80), fibras (5) e sólidos solúveis (14), estes últimos representados, principalmente, por frutose, glucose e sacarose, bem como, ácidos orgânicos, representados, majoritariamente pelo ácido málico. O bagaço da maçã também apresenta compostos fenólicos, que são fito-nutrientes de grande importância sensorial e nutricional. Portanto, a quantificação desses constituintes representa uma importante fonte de dados na caracterização do bagaço de maçã para finalidades biotecnológicas, visando atribuir um fim mais nobre a este subproduto. As metodologias convencionais empregadas para a quantificação de açúcares, ácidos orgânicos e fenóis totais, embora façam parte das análises de rotina nos laboratórios de controle de qualidade, são onerosas, demoradas e geram resíduos. O objetivo deste trabalho foi desenvolver uma técnica analítica rápida, versátil, de baixo custo e não poluente. Para tal, utilizou-se a espectroscopia no infravermelho por refletância difusa (DRIFTS) aliada a métodos de calibração multivariada (Regressão de Mínimos Quadrados Parciais - PLSR). Para a construção dos modelos multivariados, foram utilizadas as médias das concentrações dos açúcares simples, ácido málico e fenóis totais, obtidas pelas metodologias convencionais, bem como, os dados de espectroscopia no infravermelho médio (MID) e próximo (NIR). Os espectros foram obtidos em duplicata, sendo que dos 52 espectros das amostras de bagaço de maçã, 47 fizeram parte do conjunto de calibração e 5 do conjunto de validação externa. Os modelos de regressão para a previsão da concentração de frutose, sacarose, fenóis totais e ácido málico obtiveram melhores resultados no MID, com médias de erro padrão relativo de 3.9 (com 5 Variáveis Latentes), 6.6 (com 5 Variáveis Latentes), 6.4 (com 4 Variáveis Latentes) e 5.9 (com 5 Variáveis Latentes), respectivamente. Já a melhor capacidade de previsão para a concentração de glucose foi obtida pelo NIR, na qual a média de erro padrão relativo foi de 7.4 (com 6 Variáveis Latentes). Os resultados obtidos demonstram a boa capacidade de previsão dos modelos multivariados fundamentados em espectroscopia no infravermelho e vantagens características da associação DRIFT-PLSR.