Los asentamientos rurales son las unidades socioeconómicas fundamentales del campo chino. De acuerdo con las estrategias nacionales que enfatizan caminos específicos y basados en el lugar para la revitalización rural, la clasificación precisa de los asentamientos rurales es esencial para una planificación y entrega de políticas diferenciadas. Sin embargo, dada la gran cantidad de asentamientos, la clasificación manual consume mucho tiempo y recursos, limitando la escalabilidad. Este estudio propone un marco impulsado por IA y de múltiples modelos para automatizar la clasificación de asentamientos rurales con alta estabilidad y precisión. Primero, informado por una rigurosa revisión de la literatura, construimos un sistema de indicadores multidimensional que integra condiciones naturales, atributos socioeconómicos y factores de uso del suelo para capturar características espaciales y funcionales a escala de asentamiento. Usando el condado de Gaoqing (provincia de Shandong) como área de estudio, recopilamos y curamos datos de encuestas y aplicamos detección de valores atípicos para el preprocesamiento. Luego, evaluamos múltiples modelos de aprendizaje automático y encontramos que los algoritmos con manejo nativo de valores faltantes funcionan notablemente mejor, una ventaja crítica dada la prevalencia de la falta de datos en conjuntos de datos basados en encuestas. Finalmente, ensamblamos los tres modelos de mejor rendimiento: LightGBM, CatBoost y XGBoost, en un conjunto de votación ponderada, logrando una precisión de clasificación general de aproximadamente el 88%. Los resultados demuestran que el sistema de indicadores refinado, junto con un conjunto de múltiples modelos, mejora sustancialmente tanto la precisión como la robustez. Este trabajo proporciona una base metodológica y evidencia empírica para apoyar la planificación diferenciada y la revitalización rural dirigida a nivel de asentamiento, ofreciendo un plan escalable para una implementación regional y nacional más amplia.