La textura del suelo es una propiedad clave del suelo que influye en muchas prácticas agronómicas, incluyendo la fertilización y la cal. Por lo tanto, una estimación precisa de la textura del suelo es esencial para adoptar prácticas de manejo del suelo sostenibles. En este estudio, utilizamos diferentes algoritmos de aprendizaje automático entrenados en espectros vis-NIR de bibliotecas espectrales de suelo existentes (ICRAF y LUCAS) para predecir las fracciones texturales del suelo (arena-limo-arcilla %). Además, pronosticamos los grupos texturales del suelo (G1: Fino, G2: Medio y G3: Grueso) utilizando características químicas rutinarias como auxiliares. Con el conjunto de datos de ICRAF, el perceptrón multicapa dio como resultado buenas predicciones para arena y arcilla (R = 0.78 y 0.85, respectivamente) y el impulso categórico superó a los otros algoritmos (bosque aleatorio, impulso extremo, regresión lineal) para la predicción de limo (R = 0.81). Para el conjunto de datos de LUCAS, el impulso categórico mostró consistentemente un alto rendimiento para las predicciones de arena, limo y arcilla (R = 0.79, 0.76 y 0.85, respectivamente). Además, los grupos de textura del suelo (G1, G2 y G3) fueron clasificados utilizando el algoritmo de máquina de impulso de gradiente ligero con una alta precisión (83% y 84% para ICRAF y LUCAS, respectivamente). Estos resultados, utilizando datos espectrales, son muy prometedores para el diagnóstico rápido de la textura y el grupo del suelo con el fin de ajustar las prácticas agrícolas.