在寒区工程及人工地层冻结应用中，冻土的无侧限抗压强度（UCS，σₘ）和破坏应变（ε_f）是设计与分析的关键力学参数。然而，在复杂条件下精准预测冻土的力学行为仍面临重大挑战。本研究整理了 1346 组冻土无侧限压缩试验数据，并采用基于随机森林（RF）算法的链式方程多元插补法（MICE）处理缺失数据。通过贝叶斯优化（BO）和 10 折交叉验证，构建了融合 3 个极端梯度提升（XGBoost）预测器的堆叠机器学习模型，用于综合分类与回归任务。与传统经验公式相比，该模型在应力 - 应变曲线类型、无侧限抗压强度（σₘ）和破坏应变（ε_f）的预测精度上均有显著提升。为增强模型的可解释性，采用 SHAP（Shapley 加法解释）方法分析各特征对预测结果的影响。此外，针对数据可得性受限的场景，构建了两个需输入特征更少的堆叠模型。综上，该堆叠集成框架为复杂多样条件下冻土力学性能的精准预测提供了一种稳健且可解释的方法。

冻土;力学性能;影响因素;堆叠机器学习;可解释性分析