随着国民收入水平的不断提高,人们的买房意愿也随之上升,刺激了我国房地产行业的发展,房屋价格评估的需求也在日益增多,准确的房地产价格评估有利于在房产投资占得先机。现实中的房屋价格由于受到众多影响因素的影响,评估难度大。随着人工智能技术的发展,借助智能学习算法实现房屋价格自动评估则可以减少人工干预,高效完成评估任务,满足当前的海量房屋价格评估需求。当前基于特征价格理论与单一模型的评估算法容易受模型局限性影响,在实际房屋价格评估的准确度上仍存在较大的提升空间。基于以上问题,本文对基于机器学习的房屋价格评估算法进行研究,旨在通过学习模型融合以改善算法在实际房价评估的准确度。首先,针对房屋原始特征数据存在冗余性与高相关性,以及原始特征结构不符合机器学习模型的输入需求,难以被有效学习的问题,本文基于房屋原始特征数据的特点,借鉴特征工程的相关技术,进行了房屋特征数据的处理与选择,实验结果表明所提方法提高了模型的准确度。其次,针对单一学习模型存在局限性,导致房屋价格评估精确度不高的问题,本文基于集成学习中的stacking理论提出了一种多模型融合的房屋价格评估算法。实验结果表明,相比单一模型的评估算法,多模型对于房价评估更加精确。最后,针对融合模型的复杂性导致参数多、调参难度大的问题,提出一种基于改进后的贝叶斯优化的自动调参算法,实验结果表明,该算法能够使用自动化的方式保证评估价格的准确度。