A deformação permanente é um parâmetro crucial no dimensionamento mecânico-empírico de pavimentos rodoviários, pois influencia diretamente a vida útil e a eficiência dessas estruturas. Devido à complexidade e à não linearidade dos fenômenos envolvidos no estudo de pavimentação, os métodos tradicionais de análise, baseados em modelos empíricos ou teóricos, apresentam limitações e incertezas. Nesse contexto, as técnicas de aprendizado de máquina surgem como alternativas promissoras para modelar, classificar e otimizar os parâmetros relacionados aos solos e aos pavimentos. Este artigo propõe o estudo de diferentes técnicas de aprendizado de máquina para a seleção dos modelos mais promissores para a previsão da deformação permanente de solos. Para isso, utilizou-se uma biblioteca de aprendizado de máquina em Python, o Pycaret, e um solo analisado no ensaio triaxial de cargas repetidas. A partir do resultado do ensaio, foi criado um banco de dados com a tensão confinante, tensão de desvio, número de ciclos e deformação permanente. Os 19 modelos disponíveis na biblioteca foram hierarquizados pelo coeficiente de determinação (R²) da validação cruzada com 10 dobras. Os resultados mostraram que o Extra Trees Regressor é o modelo de melhor desempenho nos dados de teste (R² = 0, 9983), seguido pelo Decision Tree Regressor (R² = 0.9948), Gradient Boosting Regressor (R² = 0.9938) e outros. Além disso, é possível afirmar que as técnicas de aprendizado de máquina têm grande potencial de uso na previsão de deformação permanente, pois das 19 técnicas testadas, 8 apresentaram R² superior a 0,96 nos dados de teste e, portanto, são capazes de estimar a deformação permanente com alta precisão. Este trabalho contribui para a compreensão e a previsão da deformação permanente em solos tropicais, com potencial para melhorar a eficiência e a durabilidade dos pavimentos rodoviários construídos com esses solos. Além disso, o uso de aprendizado de máquina abre novas possibilidades para a modelagem e a previsão de comportamentos complexos na pavimentação.