动态预测钻孔效率并探究不同因素对钻孔效率的影响程度，对土石方开挖进度分析和风险管理具有重要意义．然而，现有土石方钻孔效率分析大都依赖人工经验，少数机器学习模型无法解释不同因素对钻孔效率的影响程度．针对上述问题，本研究提出土石方开挖钻孔效率预测可解释超级学习器(SL)集成学习模型．通过强化学习中的Q学习改进猎人猎物优化算法局部搜索过程与全局信息进行交互的能力，提出Q学习改进的猎人猎物优化(QIHPO)算法对SL的n＿estimators、learning＿rate、max＿depth等超参数进行优化，进而利用SL能够通过具有互补特征的异构基学习器捕捉样本特征差异性的优势，建立基于QIHPO优化的超级学习器土石方开挖钻孔效率预测QIHPO-SL模型，以揭示地质、作业、环境和机械特性等众多因素与钻孔效率的复杂非线性映射关系．进一步将QIHPO-SL集成学习算法与可解释机器学习框架下的沙普利加性解释(SHAP)理论相结合，挖掘影响钻孔效率的关键特征，并解释不同因素对钻孔效率的影响程度．案例分析表明：QIHPO-SL具有较高的预测精度，相较于QIHPO-XGB、QIHPO-RF和SL等基准模型，本文所提方法的预测精度分别提高了12.94%、12.02%和1.58%，且SHAP理论提高了模型的可解释性和预测结果的可信度，为钻孔效率预测及致因分析提供了新思路和新途径．