抗拉强度是岩石的基本物理力学性质之一，在岩土工程中起着至关重要的作用。由于传统的岩石抗拉强度实验室测试方法需要花费大量的时间。近年来，将无损检测技术与机器学习相结合，通过建立预测模型来快速确定岩石抗拉强度已经成为一个热门的方向。本文提出一种基于多元自适应回归样条（MARS）的数据驱动建模技术，用于岩石抗拉强度预测。MARS是一种应用广泛的非参数回归模型，可以用于研究自变量和因变量之间的非线性关系。其主要优点是模型具备较好的可解释性，并可以对自变量在模型中的贡献进行评估。为了建立预测模型，本研究共收集了80组实验数据，包括施密特回弹数、干密度、点荷载强度指数以及巴西抗拉强度。所有数据被随机分为两个部分，其中70%的数据用于训练模型，剩余30%的数据用于测试模型性能。同时开发了人工神经网络、支持向量机和决策树三种数据驱动模型。选择了四种常用的模型性能评价指标，分别为均方根误差、平均绝对误差、相关系数和决定系数。以此来对所开发模型的预测性能进行了比较。结果表明：所开发的智能模型均能够提供较高的预测精度，其中MARS模型性能优于其它三种模型，支持向量机和人工神经网路模型次之，决策树模型相对较差。值得一提的是，MARS模型能够通过方差分析来评估每个变量的相对重要性。