目的 通过对多参数磁共振成像数据进行影像组学特征提取，联合临床特征建立预测模型，寻找对三阴性乳腺癌（TNBC）预测价值最高的机器学习模型。方法 收集175例乳腺癌患者，包括40例TNBC和135例非TNBC患者，按7∶3分为训练集（n=123）和验证集（n=52），使用不同的机器学习算法建立多参数的预测模型，并与临床特征联合建模，通过ROC曲线评价不同模型的预测效能。结果 在训练集和验证集中，病灶边界、WHO分级及T2WI信号在TNBC和非TNBC中的差异有统计学意义（P<0.05），基于rbf＿SVM建立的Model-T2WI、Model-DWI、Model-DCE_phase2、Model-DCE_phase7、T2WI+DWI、DCE_Phase7+T2WI、DCE_Phase7+DWI、DCE_Phase7+T2WI+DWI、DCE_Phase7+T2WI+DWI+Clinic的9个模型中，DCE_Phase7+T2WI+DWI+Clinic的影像组学建立的预测模型效能最高，在训练集和验证集中的曲线下面积分别为0.992、0.936。结论 基于多参数磁共振成像的影像组学模型能较准确地预测TNBC，有助于TNBC的临床诊疗管理。