Investigaciones previas han demostrado que los niños con autismo caminan con cinemática y cinética atípicas en los tobillos. Aunque estos estudios han utilizado datos de pie de un solo segmento (SSF), la cinemática de pie de múltiples segmentos (MSF) puede proporcionar más información sobre la mecánica del pie. Las herramientas de aprendizaje automático (ML) permiten la combinación de características cinemáticas de MSF para clasificar los patrones de marcha del autismo. En este estudio, se investigan múltiples modelos de ML y se determinan las características más contribuyentes. Este estudio involucró a 19 niños con autismo y 21 controles de la misma edad realizando pruebas de marcha. Se utilizó un sistema de 34 marcadores y un sistema de captura de movimiento de 12 cámaras para calcular los ángulos de SSF y MSF durante la marcha. Las características extraídas de estos ángulos de pie y sus combinaciones se utilizaron para desarrollar modelos de máquina de vectores de soporte (SVM). Técnicas adicionales, como las explicaciones aditivas de Shapley (SHAP) y la importancia global aditiva de Shapley (SAGE), se utilizan para la importancia local y global de los modelos de ML de caja negra. Los resultados sugieren que los modelos basados en combinaciones de características cinemáticas de MSF clasifican patrones de autismo con una precisión del 96.3%, que es mayor que al usar características cinemáticas de SSF (83.8%). El ángulo relativo entre los segmentos metatarsiano y mediopié tuvo la mayor contribución a la clasificación de los patrones de marcha del autismo. El estudio demostró que las características cinemáticas de los ángulos de MSF, respaldadas por modelos de ML, pueden proporcionar una clasificación precisa e interpretable de los patrones de autismo y control en niños.