España posee una gran cantidad de poemas. La mayoría tiene características que significan que presentan estilos significativamente diferentes. Una lectura superficial de estos poemas puede confundir a los lectores debido a su complejidad. Por lo tanto, es de vital importancia clasificar el estilo de los poemas con antelación. Actualmente, los estudios de clasificación de poesía se llevan a cabo principalmente de forma manual, lo que crea requisitos extremadamente altos para la calidad profesional de los clasificadores y consume una gran cantidad de tiempo. Además, la objetividad de la clasificación no puede garantizarse debido a la influencia de la subjetividad del clasificador. Para resolver estos problemas, se diseñó un marco de clasificación de poesía en español utilizando tecnología de inteligencia artificial, que mejora la precisión, eficiencia y objetividad de la clasificación. En primer lugar, se describe detalladamente un marco de clasificación de poesía en español impulsado por inteligencia artificial, y se ilustra con un diagrama de marco para representar claramente cada paso en el proceso. El marco incluye muchos algoritmos y modelos, como la Frecuencia de Término-Inversa de la Frecuencia del Documento (TF_IDF), Bagging, Máquinas de Vectores de Soporte (SVM), AdaBoost, regresión logística (LR), Árboles de Decisión de Impulso de Gradiente (GBDT), LightGBM (LGB), Impulso Extremo de Gradiente (XGBoost) y Bosque Aleatorio (RF). Los roles de cada algoritmo en el marco están claramente definidos. Finalmente, se realizaron experimentos para la selección de modelos, comparando los resultados de estos algoritmos. El modelo Bagging destacó por su alta precisión, y los resultados experimentales mostraron que el marco propuesto puede ayudar a los investigadores a llevar a cabo trabajos de investigación poética de manera más eficiente, precisa y objetiva.