为解决纤维增强尾砂胶结充填体(FRCTB)抗压强度预测精度不足的问题,基于文献收集的364组试验数据,提出一种基于加权残差机制的改进Stacking集成学习模型.模型采用6种异质基学习器与4种元学习器构建集成框架,使用河马优化算法(HOA)对基学习器参数进行全局寻优;通过5折交叉验证获取基学习器预测结果,并依据预测误差为各基学习器分配自适应权重;提取残差特征作为元学习器输入,设置6种单一模型作为对照开展横向预测精度对比;最后引入可解释性分析探究关键影响因素.结果表明:单一模型中,轻量梯度提升机综合性能最优(决定系数为0.8870);以支持向量回归(SVR)为元学习器的HOA-R-Stacking模型的性能最佳(决定系数为0.9470),其平均绝对误差和均方根误差较最优单一模型分别降低34.53％和33.94％.可解释性分析表明:纤维含量是影响FRCTB抗压强度的关键因素之一.研究成果为FRCTB抗压强度预测提供了有效技术手段,有助于提升充填体稳定性、降低矿山充填成本.