目的：以与耻骨下支应力性骨折相关的骨盆数据建立机器学习预测模型并评价其性能。方法：回顾性选取2014年1月—2022年12月在中国人民解放军联勤保障部队北戴河康复疗养中心就诊的3 271例患者进行问卷调查，筛选出近1个月有高强度训练史、无外伤史的病例共210例，耻骨下支骨折33例，耻骨下支无骨折177例。根据骨盆正位X线片测量其骨盆结构数据，包括耻骨下支长度、耻骨联合宽度、耻骨下支最细处宽度、双侧耻骨下支夹角、颈干角。分别构建Logistic回归模型和BP神经网络模型，比较两种模型的诊断性能。结果：无骨折组耻骨联合宽度、耻骨下支最细处宽度长于骨折组，耻骨下支长度短于骨折组，双侧耻骨下支夹角、股骨颈与股骨干夹角小于骨折组，差异均有统计学意义(P<0.05)。Logistic回归分析显示，耻骨下支最细处宽度、双侧耻骨下支夹角均为耻骨下支应力性骨折的影响因素(P<0.05)。Logistic回归模型、反向传播(BP)神经网络模型最优分类值分别为0.117、0.360，灵敏度分别为0.879、0.909，特异度分别为0.842、0.859，约登指数分别为0.721、0.768，ROC曲线下面积分别为0.908、0.945，95%CI分别为0.849～0.967、0.913～0.978。结论：基于BP神经网络的机器学习模型对耻骨下支应力性骨折的预测有较高的准确度，可用于高强度训练前耻骨下支应力性骨折的风险筛查。