El módulo de rigidez representa uno de los parámetros más importantes para la caracterización mecánica de las mezclas de asfalto (MA). Al mismo tiempo, es un parámetro de entrada crucial en el proceso de diseño de pavimentos flexibles. En el presente estudio, se investigaron a fondo dos mezclas seleccionadas en un ensayo experimental realizado mediante un aparato de prueba de flexión en cuatro puntos (4PBT). Las mezclas se prepararon utilizando agregado de espilita, un betún de grado de penetración convencional 50/70 y filler de piedra caliza. Se determinaron sus módulos de rigidez (MR) mientras las muestras estaban expuestas a 11 frecuencias de carga (de 0.1 a 50 Hz) y 4 temperaturas de prueba (de 0 a 30 grados C). Los valores de MR variaron de 1222 a 24,133 MPa. Se registraron observaciones que se utilizaron para desarrollar un modelo de aprendizaje automático (AA). El objetivo principal fue la predicción de los módulos de rigidez basándose en las propiedades volumétricas y las condiciones de prueba de las mezclas correspondientes, lo que proporcionaría la ventaja de reducir los esfuerzos de laboratorio requeridos para determinarlos. Se investigaron dos de las principales técnicas de computación suave para llevar a cabo esta tarea, a saber, árboles de decisión con el algoritmo de Aumento Categórico y redes neuronales artificiales. Los resultados sugieren que ambas metodologías de AA lograron muy buenos resultados, con el Aumento Categórico mostrando un mejor rendimiento (MAPE = 3.41% y R = 0.9968) y resultando en predicciones más precisas y confiables en términos de las seis métricas de bondad de ajuste que se implementaron.