数据中心的可靠性一直是学术界和工业界研究的热点问题,存储系统的故障会严重影响服务的高可用性。硬盘作为主要的存储设备,突然发生故障可能导致关键数据的永久丢失,给用户和云服务厂商造成巨大损失。近些年研究人员主要采用机器学习技术对硬盘故障进行预测,以此减少故障发生时的运维成本。但由于不同数据中心的硬盘S.M.A.R.T.数据质量有较大差异,并没有哪一种预测模型能够很好地适应所有环境,因此,故障预测系统面对不同复杂场景的鲁棒性有待提升。针对上述问题,提出了一种基于模型融合的硬盘故障预测方法MFDFP（Model Fusion Disk Failure Prediction）,包括特征选取、模型融合和剩余使用寿命预测三个部分。其中,特征选取部分,采用一种基于KL散度（Kullback-Leibler divergence）和递归特征消除的特征选择方法,准确地筛选出与硬盘故障强相关的特征,提升故障预测准确率的同时增强可解释性;模型融合部分,选用流行的梯度提升树算法作为训练模型,采用装袋法进行融合,降低样本不平衡问题的影响,并采取贪心策略确定每个模型的最优权重,以达到更优的预测性能;剩余使用寿命预测部分,针对传统建模方式过于简单的问题,以更细粒度的方式划分数据集标签,采用回归分析的方式对硬盘剩余使用寿命建模,通过对预测曲线进行分析,得到硬盘状态恶化的关键时间点,实现对故障的及时响应。实验结果表明,MFDFP相对于随机森林模型F值（F-measure）提升了9.2%～11.4%,误分类开销降低了42.1%～45.4%,存储和迁移开销降低了16.2%～22.7%;相对于CNNLSTM模型F值提升了11.2%～38.7%,误分类开销降低了47.6%～59.7%,存储和迁移开销降低了16.5%～34.9%;MFDFP的特征选择方法相对于常用的秩和检验、皮尔逊系数等方法,在误报率相同情况下,故障检出率提升7.3%～11.7%。