灌浆量预测对坝基灌浆施工具有重要意义．由于灌浆工程隐蔽且复杂，传统方法难以实现准确高效的灌浆量预测．代理模型是一种能够建立影响因素与响应值之间近似关系的快速求解方法，然而单一代理模型的预测稳定性和准确性较低，组合代理模型仅将单一模型结果进行加权平均，预测精度仍有待提高．为解决上述问题，本文提出一种ISSA-Stacking集成学习代理模型新方法用于灌浆量预测研究．首先，针对灌浆量预测具有数据量小、影响因素与灌浆量之间非线性关系复杂且预测不确定性较大等特性，基于Stacking集成学习策略，选取在小样本预测中表现优越的支持向量回归(SVR)、具有良好非线性拟合能力的BP神经网络(BPNN)和预测泛化性能及稳定性高的随机森林(RF)等算法作为基学习器，采用自适应学习和不确定性处理能力强的自适应神经模糊推理系统(ANFIS)作为元学习器以集成上述机器学习算法的优势，构建具有更优预测性能和泛化能力的Stacking集成学习方法作为代理模型；其次，为进一步提高模型预测精度，采用混沌理论和Lévy飞行策略改进的麻雀搜索算法(ISSA)对集成学习代理模型进行参数同步优化；最后，将所提ISSA-Stacking集成学习代理模型应用于某实际灌浆工程的灌浆量预测并与其他方法进行对比分析．结果表明，所提方法具有较高的预测精度，绝对平均误差仅为0.21 m3；与组合代理模型及单一代理模型(SVR、BPNN和RF)相比，平均精度分别提高24.34%、30.84%、32.68%和26.56%，为灌浆量预测提供了一种新思路．