摘要目的:通过构建和评估多种机器学习模型,探索采用自由式滑雪运动员的机能监控数据预测其机能状态的可行性与有效性.方法:选取备战2026年米兰冬奥会的中国自由式滑雪队的10名运动员(运动等级均为健将,年龄19.4±2.72岁,训练年限5.5±1.27年)作为研究对象,收集有创指标和无创指标相关数据.通过主成分分析(principal component analysis,PCA)与典型相关性分析(canonical correlation analysis,CCA)对这些指标数据进行筛选,提取特征值.采用线性回归(linear regression,LR)、支持向量回归(support vector regression,SVR)、随机森林(random forest,RF)和反向传播神经网络(backpropagation neural network,BPN)四种机器学习模型对数据进行建模与性能比较,评估对模型影响最大的特征值.结果:PCA和CCA结果表明,平均红细胞血红蛋白量(mean corpuscular hemoglobin,MCH)、白细胞计数(white blood cell count,WBC#)、血清肌酸激酶(serum creatine kinase,CK)、总功率(total power,TP)、有氧能力指数(aerobic systemindex,ASI)和代谢反应指数(metabolic response index,MRI)是影响机能状态预测的关键特征,其中MRI对模型预测结果贡献最大.BPN在所有模型中表现最佳,其决定系数(R2)值最高(0.88144),平均绝对误差(mean absolute error,MAE)(0.31643)和均方误差(mean square error,MSE)(0.16784)最低,表明其预测准确性和稳定性均优于其他模型,SVR、RF、LR次之.结论:机器学习模型在预测自由式滑雪运动员机能状态中具有有效性,特别是BPN在处理复杂非线性数据方面表现出色.将机能监控指标与机器学习相结合,为实现高效的训练质量反馈和状态预测提供了新的思路与方法.