En un análisis de la resistencia a la penetración y la profundidad de labranza del suelo post-labranza, se utilizaron cuatro métodos de discriminación de capas superficiales, específicamente, tres algoritmos de aprendizaje automático (Kmeans, DBSCAN y GMM) y un método de ajuste de curvas, para analizar los datos recopilados de las capas cultivadas y no cultivadas. Entre ellos, los tres algoritmos de aprendizaje automático encontraron el límite entre las capas labradas y no labradas analizando a qué capa pertenecían los puntos de datos para determinar la profundidad del suelo en la capa labrada. El método de ajuste de curvas interpretó la intersección entre los datos de las curvas ajustadas de la capa arada y la capa no arada como la profundidad de labranza. Los tres algoritmos de aprendizaje automático se utilizaron para procesar un conjunto de datos estándar para la evaluación del modelo. La precisión de discriminación de DBSCAN en este conjunto de datos alcanzó 0,9890 y su puntuación F1 alcanzó 0,9934, superiores a las de los otros dos algoritmos. Bajo condiciones experimentales estándar, la capacidad de agrupamiento de DBSCAN para determinar la profundidad del suelo fue la mejor entre los cuatro métodos de discriminación, y la precisión de discriminación alcanzó el 90,63% cuando el error era de 15 mm. Durante la verificación de la prueba de campo, el efecto discriminatorio del agrupamiento DBSCAN seguía siendo el mejor entre los cuatro métodos. Sin embargo, los bloques de suelo encontrados en la prueba de campo afectaron los datos de prueba, lo que resultó en grandes errores en los resultados de procesamiento. Por lo tanto, se utilizó el algoritmo combinado de regresión robusta RANSCA y agrupamiento DBSCAN, que puede eliminar la interferencia de los bloques de suelo en la capa cultivada y resolver el problema de los grandes errores de profundidad causados por los bloques de suelo en el campo, para procesar los datos. Después de las pruebas, cuando se utilizó el método combinado de RANSCA y DBSCAN para procesar todas las muestras en el campo y el error fue inferior a 20 mm, la tasa de precisión alcanzó el 82,69%. Este método combinado mejora la aplicabilidad de los métodos de discriminación y proporciona un nuevo método para determinar la profundidad del suelo.