La predicción de fenómenos de hielo en sistemas fluviales es de gran importancia porque estos fenómenos son una parte fundamental del régimen hidrológico. Debido a la estocasticidad de los fenómenos de hielo, su predicción es un proceso difícil, especialmente cuando los conjuntos de datos son escasos o incompletos. En este estudio, se desarrollaron dos modelos de aprendizaje automático: la Red Neuronal Perceptrón Multicapa (MLPNN) y el Aumento de Gradiente Extremo (XGBoost) para predecir fenómenos de hielo en el río Warta en Polonia, en una zona climática templada. Se utilizaron datos de observación de ocho estaciones de aforo durante el período 1983-2013. El rendimiento del modelo se evaluó utilizando cuatro medidas de ajuste del modelo. Los resultados mostraron que la elección de las variables de entrada influía en la precisión de los modelos desarrollados. Los predictores más importantes fueron la naturaleza de los fenómenos el día anterior a una observación, así como las temperaturas del agua y del aire; el caudal del río y el nivel del agua fueron menos importantes para predecir la formación de fenómenos de hielo. Los resultados de la modelización mostraron que tanto MLPNN como XGBoost proporcionaron resultados prometedores para la predicción de fenómenos de hielo. Los resultados de la investigación del presente estudio también podrían ser útiles para predecir fenómenos de hielo en otras regiones.