目的：构建一个随机森林模型来预测强度调节计划的剂量验证结果，并结合复杂性特征和评价指标研究改进模型性能的可行性。方法：选择IMRT项目269例，共2558个领域。剂量由电子场成像系统验证。通过率（2%/2mm标准）阈值为95%。剂量验证结果分为通过和不通过。提取计划的剂量学评价指标和射野的复杂性特征，分别构建剂量模型（基于剂量学评价指标）、计划模型（基于计划的复杂性特征）和混合模型（综合剂量学评价指标和计划的复杂性特征）。计算AUC值、特异性和敏感性，以评估模型的性能。结果：剂量模型、计划模型和混合模型的AUC值分别为0.68、0.80和0.82。混合模型优于其他两种模型。混合模型的特异性和敏感性分别为0.70和0.79，高于其他两种模型。剂量模型、计划模型和混合模型分别需要1200样本量、900样本量和700样本量才能实现最佳性能。结论：剂量学评价指标与计划复杂性特征相结合，可以提高模型的预测性能，在一定程度上弥补样本数的不足，为改进机器学习模型预测剂量验证结果的性能提供参考。