绝经后骨质疏松症是一种与女性衰老有关的常见疾病，由于雌激素的缺乏引发了骨组织结构的变化以及骨量减少，使骨脆性增强而容易骨折，还会导致由骨折引起的骨骼变形，乃至死亡等问题。骨生长的内部环境与骨代谢生化指标水平和力学激励相关。
　　本文主要以机器学习相关理论和骨再造理论为基础，根据骨质疏松症的致病机理，提出5个与绝经后骨质疏松症骨代谢密切相关的生化指标。而本文所用到的雌性大鼠切除卵巢模型可以正确模拟女性因雌激素低落而导致的骨质疏松症。建立大鼠股骨骨小梁模型，在有限元模型的基础上，结合骨再造理论，求出骨再造方程中的初始骨再造阈值，以同一时期骨质疏松症患病组与正常组的骨密度为标准，对初始骨再造阈值进行修正，整理修正后的骨再造阈值与对应生化指标变化率的数据。
　　通过机器学习理论对样本数据进行数据清洗，构建机器学习模型，用到的机器学习模型有随机森林（Random Forest），Adaboost（Adaptive Boost），GBDT（Gradient Boosting Decision Tree）。将处理好的生化指标的变化率作为机器学习训练的特征，对应的骨再造阈值作为标签，带入到机器学习模型中进行模型的训练和调参，用训练好的模型预测骨再造阈值，并将预测的骨再造阈值与标准骨再造阈值进行对比，同时对比不同的训练模型之间的训练效果，选取最合适的模型进一步优化，优化后对模型进行评估，验证模型的准确性。
　　本文通过机器学习模型建立了绝经后骨质疏松症骨代谢生化指标和骨再造阈值之间的定量关系。结果表明机器学习模型能很好的通过生化指标预测骨再造阈值，在本文中的三种模型中对比后随机森林法预测效果最好，可以从力学角度联系上生化指标解释骨质疏松症的致病原因，实现了根据典型生化指标对骨力学特性进行定量分析和预测，为预防和治疗该项疾病提供了参考。