El arroz es un cultivo alimentario ampliamente cultivado en todo el mundo, y la trilla es una de las operaciones más importantes de las cosechadoras combinadas en la producción de granos. Es un proceso físico complejo, no lineal y multi-parámetro. El dispositivo de trilla flexible tiene ventajas únicas en la reducción de la tasa de daño de los granos y ya ha sido una de las principales preocupaciones en el diseño de ingeniería. Usando la base de datos de prueba medida del banco de pruebas de trilla flexible, la velocidad de rotación del cilindro de trilla (RS), la separación de trilla del tamiz cóncavo (TC), la separación de separación del tamiz cóncavo (SC) y la cantidad de alimentación (FQ) se utilizan como la capa de entrada. En contraste, la tasa de trituración (Y), la tasa de impurezas del material trillado (Y) y la tasa de pérdida (Y) se utilizan en la capa de salida. Se desarrolló un modelo de red neuronal artificial (ANN) 4-5-3-3, con un algoritmo de aprendizaje de retropropagación, para predecir el rendimiento de trilla del dispositivo de trilla flexible. A continuación, exploramos el grado en que las entradas afectan a las salidas. Los resultados mostraron que el R del conjunto de validación del modelo de rendimiento de trilla en la capa oculta alcanzó 0.980, y el error cuadrático medio () y el error absoluto promedio () fueron inferiores a 0.139 y 0.153, respectivamente. El modelo de red neuronal construido predijo el rendimiento del dispositivo de trilla flexible, y el coeficiente de determinación de regresión R entre los datos de predicción y los datos experimentales fue de 0.953. Los resultados mostraron que los datos combinados con el método ANN son un enfoque efectivo para predecir el rendimiento de trilla del dispositivo de trilla flexible en el arroz. Además, el análisis de sensibilidad mostró que RS, TC y SC eran factores cruciales que influyen en el rendimiento del dispositivo de trilla flexible, con una importancia relativa promedio del 15.00%, 14.89% y 14.32%, respectivamente. FQ tuvo el menor efecto en el rendimiento de trilla, con una importancia relativa promedio de trilla del 11.65%. Nuestros hallazgos pueden ser aprovechados para optimizar el rendimiento de trilla de futuros dispositivos de trilla flexibles.