目的:基于机器学习的方法建立Corneal Refractive Therapy（CRT）及Vision Shaping Treatment（VST）角膜塑形镜镜片试戴参数选择的算法模型,减少角膜塑形镜验配过程中的试戴次数,提高验配的准确性及验配效率。方法:（1）构建CRT参数选择模型的研究方法:首先随机选取符合纳入标准的1037例患者的眼部参数,构建一套利用角膜地形图高度数值矩阵计算CRT角膜塑形镜反转区（return zone depth,RZD）和着陆角（landing zone angle,LZA）的计算法。进一步将收集的所有患者相关参数及计算法得到的RZD和LZA的真实值用于构建传统的多元线性回归模型及训练机器学习算法模型。并进一步验证该机器学习模型的准确性,最终用Bland-Altman法检验抽卡选片法、计算法、多元线性回归模型以及机器学习模型四种选片方法之间的一致性。（2）构建VST参数选择模型的研究方法:随机选取符合纳入标准的1271例近视患者的眼部参数进行回顾性分析。采用之前研究提出并已发表的算法计算得到AC弧参数并作为目标数据集。所有数据随机按照8:2的比例进行分组,其中1017例作为训练集,254例患者的数据作为检验集。利用四种机器学习算法——鲁棒线性回归模型、支持向量机（线性核函数）模型、Bagging决策树模型及高斯随机过程模型来预测AC弧参数。再将计算法与机器学习方法与最终订片参数进行比较以检验模型的准确性。结果:（1）在构建CRT模型中,优化的机器学习模型表现出了最好的拟合效果。对该优化的机器学习模型高度相关的一系列输入参数分别为:年龄、性别、水平可见虹膜直径（horizontal visible iris diameter,HVID）、等效球镜度（spherical equivalent refraction degree,SER）、e值、平K（K1）、陡K（K2）、角膜散光、眼轴（axial length,AL）、轴率比以及前房深度（anterior chamber depth,ACD）。该机器学习模型对于鼻侧、颞侧、上方和下方LZA的拟合R值分别为0.843、0.693、0.866和0.762。对于四个方向的RZD的拟合R值分别为0.970、0.964、0.975和0.964。（2）在构建VST模型中,线性核函数及高斯随机过程机器学习模型达到了最好的拟合效果。输入参数包括:性别、年龄、水平可见虹膜直径、球镜度数、柱镜度数、e值、平K、陡K、前房深度以及眼轴长度。预测AC1K1、AC1K2和AC2K1的R2值分别达到了0.91、0.84及0.73。计算法和机器学习方法表现出了良好的一致性,皆超过了基于平K及e值进行VST镜片参数选择的传统方法。结论:两种机器学习模型的便捷性和有效性已经得到了证实。相较于之前的传统的角膜塑形镜镜片参数选择法而言,利用机器学习模型进行选择会更加精准且更便于操作及临床使用,最大程度的减少试戴次数,从而减少交叉感染的风险,提高患者满意度。