La capacidad portante sísmica de un cimiento superficial de franja sobre un vacío muestra una dependencia compleja de varias características, vinculadas a problemas geométricos y a las propiedades del suelo. Por lo tanto, establecer modelos analíticos para estimar dicha capacidad portante es extremadamente desafiante. En este trabajo, se han empleado técnicas de aprendizaje automático (ML) para predecir la capacidad portante sísmica de un cimiento superficial de franja ubicado sobre un único vacío rectangular no soportado en un suelo heterogéneo. Se ha creado un conjunto de datos que consiste en 38,000 simulaciones de análisis de límite de elementos finitos, y se ha calculado el valor medio entre los límites superiores e inferiores de la capacidad portante variando la resistencia al corte sin drenaje y el ángulo de fricción interna del suelo, las aceleraciones horizontales del terremoto, y la posición, forma y tamaño del vacío. Se han adoptado tres técnicas de aprendizaje automático para aprender la relación entre los parámetros mencionados y la capacidad portante: redes neuronales de perceptrón multicapa; un método de manejo de datos en grupo; y un sistema de inferencia difuso basado en redes adaptativas combinado con optimización por enjambre de partículas. Se han comparado las actuaciones de estas técnicas de ML entre sí, en términos de los siguientes índices de rendimiento estadístico: coeficiente de determinación (); error cuadrático medio (); error porcentual absoluto medio; índice de dispersión; y sesgo estándar. Los resultados han mostrado que todas las técnicas de ML funcionan bien, aunque el perceptrón multicapa tiene una precisión ligeramente superior con resultados destacados ( 0.9955 y 0.0158).