Xâm nhập mặn (XNM) là vấn đề rất đáng lưu tâm ở vùng đồng bằng sông Cửu Long (ĐBSCL). Để chủ động trong công tác quản lý nguồn nước ngọt và giảm thiểu tác động của xâm nhập mặn, dự báo chính xác độ mặn trên sông được xem là một trong những giải pháp. Từ đây, mục tiêu của nghiên cứu là đánh giá khả năng áp dụng một số thuật toán học máy, bao gồm hồi quy đa biến (Multiple Linear Regression, MLR), rừng ngẫu nhiên (Random Forest Regression, RFR), mạng nơ-ron nhân tạo (Artificial Neural Networks, ANN) trong dự báo độ mặn trên sông Hàm Luông, tỉnh Bến Tre. Dữ liệu độ mặn sử dụng trong nghiên cứu được thu thập theo tuần, từ năm 2012 đến 2020. Mỗi năm đo đạc trong 23 tuần mùa khô, từ tháng 1 đến tháng 6. Các chỉ số thống kê như Hệ số Nash - Sutcliffe efficiency (NSE), Sai số bình phương trung bình (Root Mean Squared Error, RMSE), và Sai số tuyệt đối trung bình (Mean Absolute Error, MAE), được sử dụng để đánh giá tính chính xác của thuật toán dự báo. Kết quả cho thấy thuật toán mạng nơ-ron nhân tạo dự báo độ mặn tốt nhất trong 3 thuật toán, với NSE = 0,907, RMSE = 0,11, MAE = 0,08 cho tập huấn luyện, NSE = 0,842, RMSE = 1,16, MAE = 0,11 cho tập kiểm tra. Thuật toán mạng nơ-ron nhân tạo hiệu quả trong dự báo mặn trên sông Hàm Luông, tỉnh Bến Tre.