为探索基于基因组信息预测猪重要经济性状杂种优势的有效方法，本研究以Y1×Y2杂交品系为对象，比较了不同预测模型对达120 kg体重日龄（Age to 120 kg Live Weight,AGE120）和达120 kg体重背膘厚（Back Fat Thickness at 120 kg,BF120）表型杂种优势预测准确性的影响。首先，对2个表型的遗传参数进行估算，结果显示AGE120的显性方差高于加性方差，而BF120的加性方差高于显性方差。随后构建了7种模型，包括基于亲本遗传距离的基线模型（Genetic Distance Baseline,GDBaseline）、4种不同效应组合的RR-BLUP(A、D、A+D、A+D+E)、2种机器学习模型：随机森林（Random Forest,RF）和极限梯度提升树（eXtreme Gradient Boosting,XGBoost）。所有模型均采用5倍交叉验证评估预测准确性（r）。结果表明：机器学习模型预测效果显著优于线性模型，XGBoost在2个性状中均获得最高预测准确性，对AGE120和BF120的预测准确性分别达到0.594±0.047和0.689±0.088；不同性状杂种优势的遗传基础存在显著差异，AGE120的杂种优势主要由显性效应主导，RR-BLUP(D)(0.410±0.099)显著优于RR-BLUP(A)(0.326±0.183)；而上位效应在BF120预测中具有重要贡献，RR-BLUP(A+D+E)(0.591±0.041)较RR-BLUP(A+D)(0.528±0.048)准确性大幅提升；传统的GDBaseline模型对AGE120预测准确性较低（0.190±0.252），与BF120呈负相关（-0.068±0.051）。结果表明，基于亲本基因组信息利用机器学习及非加性线性模型能提高猪杂种优势预测准确性，为不同品种猪杂交利用奠定了基础。