随着国家民政局公布的2019年全国离婚人数已达到300万对,当前的中国的离结比已经增长到57%,这是目前最热门的社会话题之一;同时当前神经网络人工智能大力发展,这为预测、分类提供技术支持。因此运用机器学习、统计学知识和技术建立离婚预测评估模型并分析造成离婚的原因是本文的研究目的。本文通过对基于特征处理后的样本运用机器学习方法建立预测离婚模型,并根据机器学习算法分析离婚的主要原因和提供相应的建议。首先,从研究背景、研究意义及国内外研究现状出发,充分解释了本文的研究可行性和必要性,为下文研究提供前提条件。其次,通过数据预处理方法处理原始样本:第一、运用统计学中检验自变量与因变量的卡方检验,检验各个自变量和因变量的独立性,发现数据集中所有的自变量和因变量之间不存在独立关系,即每个属性都和因变量有关系;第二、进一步利用Spearman相关系数分析各个自变量之间的相关性,根据研究结论发现特征6和特征2不存在相关关系（即夫妻双方能成为灵魂伴侣和他们之间的本身的差异并没有统计学上显著的相关关系）、特征6和特征45不存在相关关系（即夫妻双方愿不愿沟通和他们之间的差异没有显著相关关系）、以及10对变量之间存在高度相关,任意删除其中一个变量亦可。因此删除数据集10个特征,分别是特征4（与对方讨论时,需换位思考）、特征11（保持融洽关系）、特征17（共同的看法）、特征26（知道对方的焦虑）、特征29（了解对方）、特征35（侮辱对方）、特征22（知道如何照顾配偶）、特征10（共同的目标）、特征36（讨论时感到羞辱）、特征38（讨厌配偶公开方式）。然后,在对本研究采取方法原理、概念概述以及运用预处理数据后,使用决策树、随机森林、BP神经网络、GBDT四种机器学习算法拟合预测模型。通过不断地调整模型参数,寻找出最优模型并用准确率、查全率、查准率和AUC值评估模型。实证分析发现GBDT预测离婚模型综合性能最好——准确率0.9811321、查全率0.962963、差准率1.000000及AUC值0.9957。其他模型在其他性能指标也有相应的优势,需要根据实际选择模型,做出正确的婚姻预测行为。最后,根据模型中重要特征排序得出,特征18（对婚姻有共同的看法）、特征19（婚姻中双方扮演的角色有共同看法）、特征34（争论中使用讨厌的表达方式）、特征40（未发生其他事之间,仅仅是讨论而已）、特征20（在信任方面,双方有相同的价值观）、特征16（双方在爱情中兼容）、特征39（双方之间突然发生讨论）、特征9（喜欢与配偶旅行）是属于重要特征,也就是导致离婚的重要原因,根据以上结论,我们能够了解到导致离婚的主要原因是什么,并针对这些重要原因提出相应的意见,以期能够降低离婚风险,进一步降低离婚率。