La resistencia térmica interfacial (ITR) juega un papel crítico en las propiedades térmicas de una variedad de sistemas de materiales. La predicción precisa y confiable de la ITR es vital en el diseño de estructuras y en la gestión térmica de nanodispositivos, aviones, edificios, etc. Sin embargo, debido a que la ITR se ve afectada por docenas de factores, los modelos tradicionales tienen dificultades para predecirla. Para abordar este problema de alta dimensionalidad, empleamos algoritmos de aprendizaje automático y aprendizaje profundo en este trabajo. En primer lugar, se realizaron análisis exploratorios de datos y visualización de datos en los datos en bruto para obtener una imagen completa de los objetos. En segundo lugar, se eligió XGBoost para demostrar la importancia de varios descriptores en la predicción de la ITR. Después de eso, se eligieron los 20 descriptores con las puntuaciones de importancia más altas, excepto fdensity, fmass y smass, para construir modelos concisos basados en XGBoost, Regresión de Ridge de Kernel y algoritmos de redes neuronales profundas. Finalmente, se utilizó el aprendizaje conjunto para combinar los tres modelos y predecir sistemas de materiales con altos puntos de fusión y alta ITR para naves espaciales, automóviles, aislamiento de edificios, etc. La ITR predicha del sistema de materiales de alto punto de fusión Pb/diamante fue consistente con el valor experimental reportado en la literatura, mientras que los otros sistemas de materiales predichos proporcionan pautas valiosas para experimentadores e ingenieros que buscan sistemas de materiales con altos puntos de fusión y alta ITR.