目的 系統評價基于機器學習方法構建的小于胎齡兒預測模型，為模型的構建和優化提供參考。方法 計算機檢索PubMed、EMbase、Web of Science、CBM、WanFang Data、VIP和CNKI數據庫，搜集關于小于胎齡兒預測模型的研究，檢索時限均從建庫至2022年8月10日。由2位評價員獨立篩選文獻、提取資料并評價納入研究的偏倚風險后進行系統評價。結果 共納入14個研究，樣本量范圍347～215 865例。使用邏輯回歸、隨機森林等19種方法構建了40個預測模型，13個研究的偏倚風險評價結果為高風險，預測模型的曲線下面積（AUC）為0.561～0.953。結論 小于胎齡兒預測模型的整體偏倚風險較高，預測性能一般，XGBoost方法構建的模型在不同研究中都獲得了最好的預測性能，stacking方法將不同模型融合可以提升預測性能。母親血壓、胎兒腹圍、頭圍與估計胎兒體重是小于胎齡兒的重要預測因子。