随着人工智能等新技术的不断发展以及大数据时代下的背景,将机器学习等新技术与传统的畜牧业结合起来是一个非常现实的问题。马产业在传统的畜牧业中占有很大一部分的比重,因此使用人工智能结合统计学的手段建立马匹健康状况预测评价体系,对畜牧业的发展和马匹的精准医疗具有重要的意义。本文对马匹的诊疗数据进行量化、评价、及预测做出研究,将量化后的特征进行衍生,衍生出的三组数据可以较好的反应马匹未来健康状况,分别是GroupⅡ（入院时疾病表现）,GroupⅢ（入院时的生理数据）以及总分。通过三组之间死亡组与存活组之间的评分及相关性,借助受试者工作特征曲线（ROC曲线）分析得分对马匹未来健康状况的预测效力,并将其作为马匹健康评测的重要指标。使用机器学习的方法预测马匹的健康状况是为了从数据科学的角度看待影响马匹健康状况的重要特征,结合马匹入院时18项特征应用机器学习模型来对马匹未来的健康状况做一个合理的预测,具体的工作成果可以总结为以下几点:（1）马匹数据补全。在对原始数据进行数据处理过程中将缺失值及异常值进行删掉或填补,并对简化急性生理评分中并未明确提及的疾病,通过查询资料,请教动医方面的专家等予以量化评分,从而获得完整的数据集为后续的分析及模型的构建奠定了基础。（2）特征工程。结合前人的研究,将总数据衍生出四个独立变量,每个变量根据之前量化的数据综合考量,探究死亡组和存活组的不同评分对健康状况的反应程度,以此来决定最佳截断值。（3）马匹健康预测模型的构建。在构建融合模型时先用了比较常见的机器学习分类模型,包括:K-近邻模型,逻辑回归模型,支持向量机模型,决策树模型。接着构建了集成模型,包括:随机森林模型,GBDT模型及Light GBM模型。所有的模型在原始数据集及经过特征选择及参数优化后的数据上进行预测,综合考量选取四个较优的机器学习模型构成Stacking融合模型。通过分析研究表明,GroupⅢ这一衍生变量的最佳截断值为15.5分,AUC值达到了0.842,敏感度为83.6%,特异度为74.6%,可以较好地评价马匹健康程度。以RF,GBDT,LGBM为基模型,逻辑回归为元模型构建的融合模型在原始数据、经过特征选择的数据、欠采样平衡数据集及过采样平衡数据集上表现得都优于单个模型。模型融合和特征数值量化也为其他预测评价研究提供了参考意义。