目的 联合运用随机森林与人工神经网络算法构建抗中性粒细胞胞质抗体（antineutrophil cytoplasmic antibodies, ANCA）相关性血管炎（ANCA-associated vasculitis, AAV）伴肾小球性肾炎的诊断模型。方法 从GEO和Array Express数据库下载分析所用的数据集（GSE108113和GSE104948为训练集，E-MTAB-1944为验证集），并在AAV伴肾小球性肾炎样本和正常对照样本中鉴定出差异基因。针对差异基因，进行了GO、KEGG富集分析并构建了蛋白质–蛋白质相互作用（protein protein interaction,PPI）网络。应用随机森林和人工神经网络算法进一步筛选特征基因，并构建和验证诊断模型。结果 鉴定出380个差异基因，其中194个显著上调，186个显著下调。富集结果显示差异基因多与免疫反应和代谢过程相关的通路有关。EHHADH、CCL2、FN1、IL1B、VAV1、CXCR4、CCL5、CD44位于PPI网络的核心。随机森林算法筛选出15个特征基因，人工神经网络算法计算每个特征基因的权重并成功构建了诊断模型。该模型具有显著的预测能力，曲线下面积（area under curve,AUC）1.000。验证队列的AUC为0.808，进一步证实了模型的准确性。结论 本研究运用机器学习算法成功鉴定了AAV伴肾小球肾炎的特征性生物标志物，并构建了诊断模型。该模型可为疾病早期诊断提供可靠参考，并为发病机制的研究提供新的视角。