La cartografía de susceptibilidad a la erosión por surcos (GESM) a través de la predicción de la distribución espacial de áreas propensas a la erosión por surcos es necesaria para planificar estrategias de control de la erosión por surcos relevantes para la conservación del suelo. Recientemente, los modelos de aprendizaje automático (ML) han recibido una atención creciente para GESM debido a sus amplias capacidades. En este contexto, este artículo buscó revisar el procedimiento de modelado de GESM utilizando modelos de ML, incluidos los conjuntos de datos requeridos y el desarrollo y validación del modelo. Los resultados mostraron que la elevación, la pendiente, la curvatura del plano, la lluvia y el uso/cobertura del suelo fueron los factores más importantes para GESM. También se concluyó que, aunque los modelos de ML predicen razonablemente bien las ubicaciones de las zonas propensas a la erosión por surcos, la clasificación del rendimiento de dichos métodos es difícil porque producen resultados diferentes según la calidad del conjunto de datos de entrenamiento, la estructura de los modelos y los indicadores de rendimiento. Entre las técnicas de ML, el bosque aleatorio (RF) y la máquina de soporte vectorial (SVM) son los modelos más utilizados para GESM, que muestran resultados prometedores. En general, para mejorar el rendimiento de predicción de los modelos de ML, se recomienda el uso de técnicas de minería de datos para mejorar la calidad del conjunto de datos y un enfoque de estimación en conjunto. Además, la evaluación de modelos de ML para la predicción de otros tipos de erosión por surcos, como la erosión por rill-interill y la erosión efímera, debería ser objeto de más estudios en el futuro. Se recomienda el empleo de una combinación de índices topográficos y modelos de ML para la extracción precisa de trayectorias de surcos que son la entrada principal de algunos modelos basados en procesos.