El cálculo de la carga de vuelo, un paso importante en el diseño y optimización de aeronaves, generalmente implica millones de cálculos y requiere recursos computacionales y tiempo significativos. Mejorar la eficiencia de los cálculos de carga de vuelo mientras se mantiene la precisión es, por lo tanto, de gran importancia para acortar los ciclos de investigación y desarrollo. Este estudio investigó y comparó múltiples algoritmos, incluyendo el modelo de red neuronal, el modelo de Kriging y el modelo de Kriging residual de red neuronal (NNRK), para el análisis de carga de vuelo. Las precisiones de todos los modelos fueron confirmadas a través de evaluaciones, siendo NNRK el más eficiente, lo que lo hace altamente adecuado para el análisis de carga de vuelo. Los datos de carga de vuelo de una aeronave civil, incluyendo el peso total, el centro de gravedad, el momento de inercia de cabeceo, la altitud, el número de Mach, la velocidad del aire, la presión de velocidad, la tasa de cabeceo, el factor de carga y el ángulo de ataque como parámetros de entrada, se utilizaron como datos de muestra para establecer modelos, para predecir las cargas en las alas bajo diferentes condiciones de vuelo. Las precisiones de todas las regresiones fueron confirmadas a través de evaluaciones, siendo NNRK el más eficiente. El cálculo de la carga de vuelo muestra que NNRK puede mejorar significativamente la eficiencia del análisis y proporcionar nuevas perspectivas sobre un análisis de carga de vuelo eficiente y completo.