近年来,道路交通网络体系的迅速发展为人们出行提供了极大的便利,随之也引发了一系列问题。许多复杂因素引诱交通事故频发,这不仅对生命安全造成了威胁,还对经济造成了损失。能够建立精确的道路交通事故预测模型,是实现进一步挖掘事故相关风险因素,提升道路交通安全的关键,进而促进交通体系的完善。对不同道路交通事故类型,其相关风险因素也有所不同。选取单车碰撞为本文研究的事故类型,利用美国华盛顿州交通署收集的道路交通事故数据作为样本,根据数据集的统计特性和数据完整情况筛选出11个人、车、路、环境相关风险因素进行分析。以道路交通事故引起的最严重受伤情况为研究对象,按照死亡/受伤事故和仅财产损失事故分类,结合相关研究的发展方向,建立一种基于集成学习的道路交通事故严重程度预测模型。机器学习具有的有效性和精确性特点,在交通领域得到了广泛应用。根据集成学习算法能通过组合多个弱学习器的决策得到强决策的特点,本文利用随机森林（RF）和多目标优化算法NSGA-II建立了事故严重程度预测模型,该模型包括初级学习器的构建,次级学习器的构建和多目标优化得到最优解的过程。根据预测模型的结构提出相应的敏感性分析方法,以研究预测值和输入风险因素之间的关系,得到风险因素重要性排序。使用相同的数据集,将建立的模型与决策树、BP神经网络、RBF-SVM、RF及NSGA-II+MLR模型从敏感性、特异性,准确率和G-mean四个评价指标进行比较。实验结果表明:本文建立的模型较其它5种模型具有最高的特异性值0.7199,对死亡/受伤事故的预测效果最好;准确率效果最佳,达到0.7486;G-mean效果最佳,达到0.7940;敏感性指标值为0.8758,证明了其有效性和准确性。最后,对构建的模型进行敏感性分析,得到风险因素重要性排序。结果表明:在研究的11个输入变量里,“星期”是与事故严重程度相关的最重要风险因素,这可能与交通流的周期性有关;驾驶员行为或状态也十分重要,人们在驾驶过程中更应该约束自己的行为规范。