El horizonte diagnóstico en un suelo refleja el entorno en el que se desarrolló y las características inherentes del material, por lo tanto, los enfoques cuantitativos para la delimitación de horizontes deben centrarse en el horizonte diagnóstico. Además, puede facilitar el intercambio y la transferencia de información del suelo entre diferentes sistemas taxonómicos. Este estudio tiene como objetivo explorar el uso del aprendizaje profundo e imágenes RGB para entrenar un modelo de identificación de horizonte diagnóstico del suelo que pueda ayudar a los trabajadores de campo a determinar rápidamente la información del horizonte del suelo de manera eficiente, fácil y rentable. Se utilizaron un total de 331 imágenes de perfiles de suelo de las principales categorías de suelos (cinco órdenes de suelos, incluidos Primosols, Ferrosols, Argosols, Anthrosols y Cambosols) de las provincias de Hubei y Jiangxi. Cada imagen del perfil del suelo fue preprocesada y aumentada a 10 imágenes y luego introducida en la arquitectura UNet++. La intersección media sobre la unión y la precisión de píxeles del modelo fueron del 71.24% y 82.66%, respectivamente. Los resultados muestran que el modelo pudo identificar y delinear con precisión los horizontes diagnósticos del suelo. Además, el rendimiento del modelo varió considerablemente debido a la definición del horizonte y si las condiciones diagnósticas se aplicaban a una amplia gama de características visuales en las imágenes RGB, el número de muestras y las características del suelo del área de estudio.