目的 构建基于磁共振T₂WI反转恢复压脂（TIRM）及扩散加权成像（DWI）序列图像的支持向量机（SVM）模型，评估其对乳腺癌人表皮生长因子受体-2（HER-2）和激素受体（HR）表达水平的预测效能。方法 收集128个于术前或治疗前接受乳腺MRI检查的乳腺癌病灶。根据免疫组织化学（IHC）或原位荧光杂交（FISH）检测结果进行分组。使用ITK-SNAP软件在磁共振TIRM和DWI序列图像上勾画三维容积感兴趣区（VOI）,并导入Pyradiomics程序提取影像组学特征。对数据进行归一化处理后使用基于支持向量机的递归特征消除法（SVM-RFE）筛选特征。采用随机分层抽样方法将108例病例按照8∶2比例分为训练组及验证组，另外20例作为外部测试组。采用SVM机器学习分类器构建影像组学模型。采用受试者工作特征（ROC）曲线评估模型预测效能。采用DeLong检验评估各影像组学模型ROC曲线下面积（AUC）。采用SHAP算法进行可视化分析，并筛选最具贡献力的预测特征。结果 联合模型（训练组AUC=0.94;验证组AUC=0.90）对HER-2的预测效能均高于TIRM模型（训练组AUC=0.85;验证组AUC=0.80）、单DWI模型（训练组AUC=0.88;验证组AUC=0.66）。外部测试组联合模型的AUC为0.89。SHAP算法得出DWI序列的特征贡献较大。基于TIRM和DWI序列联合特征（训练组AUC=0.96;验证组AUC=0.88）、单DWI序列特征（训练组AUC=0.92;验证组AUC=0.86）构建的影像组学模型预测HR效能优于单TIRM序列特征（训练组AUC=0.84;验证组AUC=0.68）构建的模型。外部测试组证明联合模型具有较好的预测效能，AUC为0.90。SHAP算法得出TIRM序列的特征贡献较大。结论 基于磁共振成像TIRM和DWI序列联合特征构建的影像组学模型对于HER-2水平具有良好的预测效能，对HR表达具有较大的预测潜力，可为乳腺癌患者制订个性化治疗方案提供依据。