本试验结合机器学习算法优化传统分类体系，构建动态预测模型，旨在提高猪饲料原料净能值预测精度。试验选取47种饲料原料的净能值及常规化学成分数据，采用主成分分析（Principal Component Analysis,PCA）降维，并通过K-均值聚类算法优化分类体系，基于机器学习分类结果，建立多元回归预测模型，并与传统经验分类法的预测效果进行对比分析。PCA分析表明，前2个主成分累计贡献率达71.2%（PC1=54.4%,PC2=16.8%）；基于K-均值聚类分析，最终确定分类数为3类，各类别样本量分别为24、7、16个。基于机器学习分类的回归模型预测性能显著优于传统方法，其决定系数（R 2 ）为0.82～0.95，均方根误差（Root Mean Square Error,RMSE）为0.24～0.79，而经验分类模型的R 2 为0.67～0.91,RMSE为0.67～0.90。由此可见，机器学习算法可有效优化饲料原料分类体系，提高净能值预测精度，为精准饲料配方设计与优化提供可靠的技术支持。