如何改善中樞神經系統（CNS）藥物的血腦屏障（BBB）透過率，是CNS藥物研發中面臨的重要挑戰。相較于傳統的藥代動力學性質測試，機器學習技術已被證實可以有效、低成本地預測CNS藥物的BBB透過率。本文提出一種基于均衡化堆疊學習（SL）的BBB透過率預測模型（BSL-B3PP），首先分別從藥物化學背景角度以及機器學習角度，篩選出對BBB透過率有關鍵影響的特征集，并總結可穿透BBB（BBB+）量化區間；然后融合重采樣方法與堆疊學習算法，進行CNS藥物BBB透過率預測。BSL-B3PP模型基于較大規模的BBB數據集（B3DB）構建，經實驗驗證，曲線下面積（AUC）達97.8%，馬修斯相關系數（MCC）為85.5%。研究結果說明，本模型具有較好的BBB透過率預測能力，尤其對于不能穿透BBB的藥物也能保持較高的預測準確度，有助于降低CNS藥物研發成本，加快CNS藥物研發進程。