La explotación del espacio subsuperficial urbano en la planificación del inventario urbano está estrechamente relacionada con la calidad de los entornos urbanos. Actualmente, la construcción de calles peatonales subterráneas se caracteriza por la ineficiencia y la congestión del tráfico, lo que las hace insuficientes para satisfacer la demanda de espacios bien diseñados y centrados en el ser humano. En el estudio de la calidad espacial, los métodos de evaluación tradicionales, como la teledetección por satélite y los mapas de calles, a menudo sufren de baja precisión y tasas de actualización lentas, y frecuentemente pasan por alto las evaluaciones perceptuales humanas. En consecuencia, hay una necesidad urgente de desarrollar un conjunto de métodos de evaluación de la calidad espacial que incorporen perspectivas peatonales, abordando así la negligencia de las experiencias humanas subjetivas en la investigación sobre la calidad espacial. Este estudio primero cuantifica y agrupa las características de los espacios peatonales subterráneos utilizando sintaxis espacial. Luego, recopila datos de percepción multidimensional de ubicaciones seleccionadas y, finalmente, analiza y predice los resultados empleando técnicas de aprendizaje automático, específicamente Random Forest y XGBoost. Los resultados de la investigación indican variabilidad en las evaluaciones de calidad espacial por parte de los peatones en diferentes espacios orientados funcionalmente. Los factores clave que influyen en estas evaluaciones incluyen indicadores de Hermoso, Cálido, Buena Ventilación y Sabor. El estudio propone un modelo de evaluación de calidad espacial integral y aplicable que integra métodos de cuantificación espacial, algoritmos de aprendizaje automático y mediciones de percepción multidimensional. El desarrollo de este modelo ofrece una valiosa guía científica para la planificación y construcción de espacios públicos urbanos de alta calidad.