莺歌海盆地是南海新生代沉积盆地,具有显著的高温高压环境,地热资源潜力巨大。然而,由于海洋地区大地热流测量点分布有限,直接插值方法难以准确反映热流与盆地构造的耦合关系。为此,系统收集了980个训练集、244个测试集的大地热流测点数据及相应地质与地球物理数据,采用多源地质和地球物理数据融合的机器学习方法,利用线性回归、Lasso回归、随机森林、梯度提升和XGBoost等5种机器学习模型,刻画了该区地热热流特征,最后进行了热流预测性能对比,并对模型性能的影响因素进行了分析。研究结果表明:(1) XGBoost模型在测试集上表现出最高的R²值(0.72)、最低的均方根误差(16.62)和平均绝对误差(12.22),且训练集与测试集性能差异较小,展现出优异的泛化能力和预测稳定性;(2)基于XGBoost模型的预测结果显示,盆地热流分布存在明显的空间差异性,与区域构造格局密切相关,莺西斜坡为热流高值区,东北部莺东斜坡和西南缘则为低值区;(3)特征选择对模型性能具有较大影响,通过综合评估特征重要性并纳入局部特殊构造信息,可大幅提高模型预测精度,降低不确定性。结论认为,基于多源地质和地球物理参数融合的大地热流预测不仅填补了该盆地大地热流数据空白,完善了其热流分布特征,有助于更准确地刻画盆地热流分布特征及其与构造的耦合关系,同时也为其他海洋沉积盆地的地热资源评估提供了技术参考。