目的:探究基于机器学习结合MALDI-TOF MS快速检测碳青霉烯耐药肺炎克雷伯菌（CRKP）和碳青霉烯敏感肺炎克雷伯菌（CSKP）的方法,分析CRKP以及CSKP在哪些峰特征中出现明显的改变,并分析这种分类方法性能的优劣。方法:随机收集95株CRKP菌株以及76株CSKP菌株作为实验菌株,在哥伦比亚血平板上培养18-24小时后使用MALDI-TOF MS进行菌种鉴定并采集它们的质谱数据,然后使用随机森林（RF）算法和支持向量机（SVM）算法构建RF模型、SVM模型以及SVM降维模型（SVM-K）。模型构建过程中使用交叉验证的方法优化模型分类性能。SVM模型以及SVM-K模型均采用高斯核函数核进行构建。通过计算模型的准确性、敏感性、特异性以及受试者工作特征曲线下面积（AUC）来评估模型的分类性能。采用仪器法（Vitek-2 Compact系统）进行药物敏感性实验。结果:根据RF算法得出重要性排名前10的峰特征,其中6515Da出现在56.8%的CRKP分离株中,5.3%的CSKP分离株中;3057Da出现在5.3%的CRKP分离株中,55.3%的CSKP分离株中;5884Da出现在77.9%的CRKP分离株中,31.6%的CSKP分离株中;6116Da出现在2.1%的CRKP分离株中,52.6%的CSKP分离株中;9852Da出现在85.3%的CRKP分离株中,39.5%的CSKP分离株中;4497Da出现在96.8%的CRKP分离株中,63.2%的CSKP分离株中;3958Da出现在45.3%的CRKP分离株中,3.9%的CSKP分离株中;3084Da出现在17.9%的CRKP分离株中,59.2%的CSKP分离株中;3651Da出现在1.1%的CRKP分离株中,30.3%的CSKP分离株中;5154Da出现在40%的CRKP分离株中,81.6%的CSKP分离株中。RF模型、SVM模型和SVM-K模型都具有良好的分类性能,准确率分别为0.88,0.88,0.91;敏感性分别为0.82,0.85,0.87;特异性分别为0.93,0.92,0.94;AUC分别为0.9101,0.9298,0.9342。SVM-K模型构建过程中,根据平均准确性的改变,最优降维范围在105-153之间,平均准确性达到0.9以上。结论:RF模型、SVM模型和SVM-K模型在区分CRKP和CSKP上都具有优良的分类性能,其中SVM-K模型具有最佳的分类性能。机器学习结合MALDI-TOF MS进行数据分析可开发出一种快速区分CRKP和CSKP的方法。