目的构建基于机器学习的妊娠地中海贫血（地贫）智能诊断模型，优化筛查策略。方法采用回顾性队列研究设计，收集2018年1月至2020年12月重庆两江新区人民医院4 715例孕产妇数据，其中α-地贫338例（7.17%），β-地贫286例（6.07%），正常对照4 091例（86.76%），包含血常规、血型及基因检测结果。通过LASSO回归筛选关键特征变量后，采用分层随机抽样按8︰2划分训练集（n=3 772）与测试集（n=943）。为了解决类别失衡问题，结合SMOTE过采样与成本敏感学习策略，使用6个关键指标来构建地贫诊断模型，并系统比较极端梯度提升（XGBoost）、决策树（DT）、K近邻算法（KNN）、线性判别分析（LDA）、朴素贝叶斯（NB）、随机森林（RF）、支持向量机（SVM）7种经典机器学习的诊断效能。模型评估采用受试者操作特征（ROC）曲线下面积（AUC）、F1-score及灵敏度和特异度等指标。结果特征选择确定红细胞（β=－0.21）、血红蛋白（β=0.28）、血细胞比容（β=－0.62）、血小板计数（β=－0.48）、平均血小板体积（β=0.36）、血小板压积（β=0.12）为关键预测因子。7种机器学习算法的AUC均大于0.88，但考虑灵敏度、特异度、阳性预测值、阴性预测值和约登指数综合判断，XGBoost模型表现最好，各项指标均为最高；RF模型次之。其余5个模型约登指数均＜0.7。XGBoost模型表现最佳，AUC达0.980（95%可信区间0.967~0.993），F1-score为0.938，灵敏度为89.3%、特异度为94.0%，显著优于传统筛查指标（McNemar检验P＜0.05）。结论基于血常规6项参数构建的XGBoost诊断模型具有良好临床适用性，结合合成采样与代价敏感学习策略有效解决数据失衡问题。该模型为地贫的产前筛查提供了高精度、低成本的解决方案。