Para explorar el mecanismo de reducción de arrastre del subsolado neumático y estudiar la influencia del subsolado neumático en el suelo, este estudio utilizó modelos de aprendizaje automático para predecir la resistencia de trabajo de un subsolador neumático y adoptó bosques aleatorios (RF), retropropagación de errores (BP), aumento extremo de gradientes (XGBoost) y regresión de vectores de soporte (SVR) para analizar y comparar las predicciones de estos cuatro modelos. Se realizaron experimentos de campo en dos campos con diferentes densidades aparentes y contenido de humedad. Los efectos de estos parámetros en la resistencia del subsolado neumático se estudiaron cambiando la presión de aire de trabajo, la profundidad y la velocidad hacia adelante. En los modelos RF, SVR, XGBoost y BP, cinco parámetros (presión de aire de trabajo, profundidad de trabajo, velocidad hacia adelante, densidad aparente y contenido de humedad) se introdujeron como variables independientes, y la resistencia operativa del subsolado neumático se utilizó como valor predicho. Después de entrenar los cuatro modelos, los resultados mostraron que el valor de R del modelo RF fue el más alto y el error fue el más pequeño, lo que lo hizo mejor que los modelos SVR, XGBoost y BP. Los valores de MAPE, R y RMSE para el conjunto de pruebas del modelo RF fueron 0.01, 0.99 y 3.61 N, respectivamente, lo que indica que el modelo RF podría predecir bien el valor de resistencia del subsolado. Cuando se utilizó el modelo RF para analizar los cinco parámetros de entrada, los resultados experimentales mostraron que la contribución de la presión de aire de trabajo para reducir la resistencia del subsolado alcanzó el 29%, lo que indica que el subsolado neumático puede reducir la resistencia, el arrastre y el consumo.