电子束熔化(electron beam melting, EBM)增材制造制备的 Ti-48Al-2Cr-2Nb(TiAl-4822)在复杂服役条件下疲劳寿命波动显著，影响工程可靠性。 基于包含 103 个 EBM 制备 TiAl-4822 件的疲劳测试数据，本文结合数据增强与机器学习(层级神经网络、稳健回归)构建高精度疲劳预测模型(整体误差小于 20%)。 该模型首先使用合成少数类过采样技术(SMOTE)增强并且平衡数据，结合分层神经网络分类模型的判别是否通过疲劳测试(分类准确率达 80%)；随后，针对未通过疲劳测试件，采用基于高斯噪声的回归型合成过采样方法(SMOGN)进行数据增强，结合稳健回归与分层神经网络组成的二阶模型进行疲劳寿命的回归预测(R2 达到 0.81，平均百分比误差为 7.3%)。 基于 Shapley 值的模型可解释性方法(SHAP)分析，加载频率、最大应力、温度及应力幅为主要影响因素。 研究建立了适用于小样本条件下的 EBM 制备的 TiAl-4822 服役疲劳寿命预测方法，为该合金在工程服役中的可靠性评估与优化设计提供了可行路径。