目的 基于机器学习，融合中西医多模态特征，构建卒中后抑郁（post stroke depression,PSD）预测模型。方法 纳入急性缺血性脑卒中患者507例，分为PSD组和非PSD组。采集患者一般资料、检查指标、量表评估及中医五神要素等信息。按7∶3比例将数据集随机划分为训练集和验证集。运用Logistic及LASSO回归分析筛选危险因素，确定核心预测因子。采用XGBoost、Logistic、LightGBM、AdaBoost、GNB、MLP和SVM 7种机器学习算法对PSD风险预测进行统计建模。采用十折交叉验证，以AUC、准确度、灵敏度、特异度和F1分数为模型预测精度衡量指标。采用SHAP算法解释黑匣子模型，评估预测性能和校准程度。结果 性别、活动能力、NIHSS评分、PSQI评分、认知障碍、RDW、额叶和基底节病灶、神强、神弱、魂弱和魄弱是PSD的核心预测因子。XGBoost算法建模的AUC、准确度、敏感度、特异度、F1分数分别为0.993、0.963、0.963、0.965、0.944，均高于其他算法。结论 基于性别、活动能力、NIHSS、PSQI、认知障碍、RDW、额叶和基底节病灶、神强、神弱、魂弱和魄弱构建的XGBoost模型预测性能最佳，可为临床PSD人群风险评估及诊治决策提供客观化依据。