En la mejora de cultivos, la selección genómica (SG) sirve como una herramienta poderosa para predecir fenotipos desconocidos utilizando marcadores genómicos, con el objetivo de mejorar el avance genético para rasgos cuantitativos. Sin embargo, en las aplicaciones prácticas de la SG, las predicciones no siempre se realizan dentro de poblaciones o para individuos que son genéticamente similares a la población de entrenamiento. Por lo tanto, explorar posibilidades y estrategias efectivas para la predicción entre poblaciones se convierte en una vía atractiva para aplicar la tecnología de SG en las prácticas de mejora. En este estudio, utilizamos una población existente de maíz de 5820 híbridos como la población de entrenamiento para predecir otra población de 523 híbridos de maíz utilizando los modelos GBLUP y BayesB. Evaluamos el impacto de optimizar la población de entrenamiento basado en la relación genética entre las poblaciones de entrenamiento y mejora en la precisión de las predicciones entre poblaciones. Los resultados mostraron que la precisión de la predicción mejoró hasta cierto punto con diferentes tamaños de población de entrenamiento. Sin embargo, el tamaño óptimo de la población de entrenamiento difería para varios rasgos. Además, propusimos una estrategia de predicción genómica entre poblaciones basada en la estructura poblacional (PSAPGP), que integra la estructura poblacional como un efecto fijo en los modelos de SG. Se utilizaron análisis de componentes principales, agrupamiento y análisis de la matriz Q para evaluar la estructura poblacional. Notablemente, cuando se utilizó la matriz Q, la predicción entre poblaciones mostró el mejor rendimiento, con mejoras que oscilaban entre el 8 y el 11% para el peso de la mazorca, el peso del grano de la mazorca y la altura de la planta. Esta es una estrategia prometedora para reducir los costos de fenotipado y mejorar la eficiencia en la mejora de híbridos de maíz.