目的：在胶质母细胞瘤MGMT 基因的甲基化状态被用作预测的治疗反应和预后因素。本文根据多参数的磁共振影像资料，提出一种集成学习模型，准确预测胶质母细胞瘤MGMT 基因的甲基化状态。方法： （1）病例采集：采集UCSF-PDGM 数据集，其中胶质母细胞瘤385例，包含阳性例数280例，阴性例数107例。影像数据组成包括，ADC图、FA图、T2_Flair图、SWI图、增强后T1WI图像5种序列图像及肿瘤区域的分割图。（2）影像特征提取：对全部数据进行影像组学特征提取，采用Python语言，通过使用Radiomics特征提取函数库，每种序列采集特征114个，总计特征570个。通过互信息统计（Mutual Information Statistics）来进行特征选择。这种方法通过合理选择和计算互信息，可以更好地理解数据中的关系，提升模型的性能。（3）构建集成模型：同样采用Python语言编程实现，首先构建10个基出模型作为投票者，包含有随机森林分类器、K近邻分类器、支持向量机、多层感知机、AbaBoost分类器、梯度提升分类器、极端随机树分类器、逻辑回归分类器、XGBoost分类器、CatBoost分类器。而后通过构建两种集成模型，硬投票分类器（每个基础模型对每个类别进行投票，最终的分类结果是投票最多的类别）和软投票分类器（每个基础模型输出类别的概率，最终的分类结果是所有分类器预测概率的平均值，概率最大的类别被选为最终结果），两种投票分类器都将10个基准模型纳入其中。（4）模型评价：采用交叉验证来评价集成模型，可以提供对模型泛化能力的更可靠估计。结果：硬投票模型的精确率为73.04%，召回率为99.85%，准确率为73.61% f1分数为84.42%，而相应的软投票模型中精确率为72.17%，召回率为98.85%，准确率为73.24% f1分数为83.41%。结论：基于集成模型的方法，尤其是其中的软投票模型可以准确的检出胶质母细胞瘤MTMG基因的甲基化状态，为临床对胶质母细胞瘤的诊断和治疗提供有力帮助。