目的利用机器学习算法建立原发性高血压脑梗死危险性预测模型，探讨原发性高血压脑梗死患者的危险因素。方法收集重庆市7家医院2015年1月1日至2019年12月31日诊断的1478例原发性高血压脑梗死患者和2826例非脑梗死患者的42项临床指标资料。采用单因素分析筛选输入指标。4304名患者被随机分为训练组（n＝3012）和测试组（n=1292）。训练集的数据用于构建决策树、随机森林和XG的逻辑回归、Boost模型，测试集的数据用于内部验证。计算四个模型中各输入指标的相对重要性得分。采用阳性预测值、阴性预测值、准确度、F1值、ROC曲线AUC值和Delong试验来评估四种模型对原发性高血压合并脑梗死的预测价值效应。结果单因素分析筛选出29项具有统计学意义的指标。基于该模型的logistic回归、决策树、随机森林和XG的Boost模型预测原发性高血压合并脑梗死的AUC值较高。Delong检查结果显示，随机森林和XG的Boost模型优于logistic回归和决策树模型。其中XG-Boost模型的负预测值、准确度、F1值和AUC值值最高，分别为0.780（95%CI0.778~0.782）、0.766（95%CI0.764~0.768）、0.603（95%CI0.599~0.607）和0.808（95%CI0.804~0.811）。相对重要性评分结果显示，logistic回归、决策树、随机森林和XG的Boost模型均表明血细胞比容、白蛋白、就诊年龄、白细胞计数、胆碱酯酶和载脂蛋白A1是原发性高血压并发脑梗死的重要影响因素。结论以机器学习为基础的logistic回归、决策树、随机森林和XG的Boost模型对原发性高血压脑梗死风险的预测具有较高的诊断价值，XG的Boost模型综合诊断效率最高。血细胞比容、白蛋白、就诊年龄、白细胞计数、胆碱酯酶和载脂蛋白A1可用于预测脑梗死原发性高血压患者的风险。