La crisis energética y el agotamiento de los recursos de combustibles fósiles siempre han sido el foco de los investigadores. El consumo de combustible de los tractores agrícolas no es una excepción. Los investigadores han utilizado diferentes métodos para predecir el consumo de combustible. Con el desarrollo de la inteligencia artificial en la última década, toda la atención de los investigadores se ha dirigido hacia ella. El aprendizaje profundo es un subconjunto del aprendizaje automático, que se inspiró en los patrones de procesamiento de datos en el cerebro humano. El método de aprendizaje profundo se ha utilizado en la investigación debido a las ventajas de alta precisión y generalización. Hasta ahora, ninguna investigación ha utilizado este método para predecir el consumo de combustible. En esta investigación, se llevaron a cabo experimentos de campo en suelos de arcilla arenosa y arcillosa para modelar el consumo de combustible temporal y el consumo específico de combustible de un tractor agrícola utilizando una red neuronal convolucional (CNN), considerando algunos parámetros como el tipo de suelo, las condiciones del suelo, los parámetros de la herramienta y los parámetros de operación. Los experimentos se realizaron dentro de cada textura de suelo de manera factorial, basándose en el diseño de bloques completos aleatorizados (RCBD) con tres réplicas. Para cada textura de suelo, se seleccionaron varios niveles de humedad (8-17% para suelos secos y 18-40% para suelos húmedos), velocidades de avance del tractor (1.2, 1.6, 1.8 y 2.2 km/h), profundidades de trabajo (30 y 50 cm), el número de pasadas (2 y 6) y presión de inflado de los neumáticos (20 y 25 psi), y se midieron el índice de cono, la carga dinámica y el contenido de humedad en cada sección experimental. Las redes diseñadas para predecir el consumo instantáneo de combustible eran del tipo CNN. Los resultados indicaron que la red desarrollada basada en el algoritmo Sgdm superó a las demás, y por lo tanto fue seleccionada para fines de modelado. La red fue evaluada en función de los criterios R y MSE. Para el consumo de combustible temporal, se obtuvieron los mejores resultados utilizando la arquitectura 8-510-510-1 con R = 0.9729 y MSE = 0.0049. La arquitectura 8-100-95-1 también condujo a la mejor predicción del consumo específico de combustible con R de 0.9737 y MSE de 0.0054. La alta precisión de predicción y el bajo error en esta investigación en comparación con estudios anteriores indican la superioridad de este método para predecir el consumo de combustible. También se observó a partir de los resultados que los parámetros de entrada, que incluyen suelo, herramienta y parámetros operativos, son todos efectivos en el consumo de combustible. La gestión adecuada de algunos parámetros, como la profundidad de trabajo, la presión de inflado de los neumáticos y la velocidad de avance, puede ayudar a optimizar el consumo de combustible.