针对寒区砂岩在冻融作用下强度损伤显著且传统试验方法研究过程复杂的问题,提出了一种基于机器学习的冻融砂岩强度损伤预测模型.通过文献调研收集了117组冻融循环后砂岩强度损伤的试验数据作为数据集,选取纵波波速、干密度、饱和密度、循环次数、冻融周期作为模型的输入特征,强度损失率作为输出特征.采用决策树、随机森林、支持向量机、XGBoost、极端随机树、CatBoost等6种机器学习模型对冻融循环后砂岩强度损伤进行预测,并使用R2、MAE、MSE、RMSE 指标评估模型性能.结果表明,CatBoost模型的各项评估指标均表现最优,其在测试集上的R2 超过0.93,MAE 值、MSE 值、RMSE 值分别为0.028、0.002、0.039,展现出较强的泛化能力和良好的预测效果.进一步通过贝叶斯优化算法对CatBoost模型进行超参数调优,确定迭代次数、树最大深度和L2正则化为影响模型预测性能的关键参数.特征值权重分析显示,各变量对模型贡献的重要性排序为:循环次数＞冻融周期＞干密度＞饱和密度＞纵波波速.研究成果可为寒区岩石力学工程实践提供有效的预测工具与方法参考.