〔摘　要〕 目的 构建并评估多种机器学习模型用于预测个体罹患慢性阻塞性肺疾病（COPD）的风险，为早期筛查和干预提供数据支持。方法 选取823例研究对象，其中COPD高风险组142例，低风险组681例。收集人口统计学特征、吸烟史、症状（如咳嗽、气短）及慢性阻塞性肺疾病筛查问卷评分等数据。采用4种机器学习算法——逻辑回归、随机森林、支持向量机和XGBoost构建风险预测模型。采用5折交叉验证评估模型性能，评价指标包括准确率、精确率、召回率、F1分数、受试者工作特征曲线下面积（AUC-ROC）和平均精度（AP）。另，进行了特征重要性分析。结果 逻辑回归模型表现出最佳性能（AUC=0.982，AP=0.939），随机森林模型次之（AUC=0.975，AP=0.890）。特征重要性分析显示，吸烟史、呼吸急促症状和体重是关键预测因子。所有模型在识别低风险人群方面均表现出色（精确度>0.93），但在识别高风险人群的能力上存在差异。结论 机器学习模型能有效预测COPD的高风险人群。逻辑回归模型展现出最优的综合性能，能高效识别COPD高危人群，可作为有价值的临床辅助筛查工具。不同模型因其性能特点差异而适用于不同的临床筛查场景，为构建分层、智能化的COPD筛查路径提供了具体的决策依据。