La estimación del contenido de materia orgánica del suelo (SOM) es esencial para comprender las funciones químicas, físicas y biológicas del suelo. También es un atributo importante que refleja la calidad del suelo negro. En este estudio, se utilizaron algoritmos de aprendizaje automático de máquina de vectores de soporte (SVM), red neuronal (NN), árbol de decisión (DT), bosque aleatorio (RF), máquina de aumento de gradiente extremo (GBM) y modelo lineal generalizado (GLM) para estudiar el modelo de predicción precisa de SOM en el Condado de Tieling, Ciudad de Tieling, Provincia de Liaoning, China. Los modelos fueron entrenados utilizando 1554 muestras de suelo superficial y 19 variables auxiliares. Se utilizó la eliminación recursiva de características como método de selección de características para identificar variables efectivas. Los resultados mostraron que el Índice de Vegetación de Diferencia Normalizada (NDVI) y la elevación eran variables auxiliares clave. Según la validación cruzada de 10 pliegues, el modelo RF tuvo la mayor precisión de predicción. En cuanto a la precisión, el coeficiente de determinación de RF fue de 0.77 y el error cuadrático medio fue de 2.85. El contenido promedio de materia orgánica del suelo fue de 20.15 g/kg. La distribución espacial de SOM muestra que el contenido más alto se concentra en el este y oeste, mientras que el contenido más bajo se encuentra en el centro. El contenido de SOM de la tierra cultivada fue menor que el de la tierra forestal.