本发明属于金属连铸技术领域，具体为一种基于机器学习的连铸保护渣粘度预报方法，收集不同温度下已知成分的连铸保护渣粘度数据；将连铸保护渣的成分数据转化为以氧离子和氟离子特性为基础的熔渣结构数据，与温度共同作为模型输入特征值，保护渣粘度作为模型输出特征值；将连铸保护渣的熔渣结构数据、温度和粘度数据进行归一化处理，将数据分为训练集与测试集；构建基于成分—结构—粘度的堆叠集成机器学习模型，并使用贝叶斯算法优化堆叠集成机器学习模型中的机器学习算法，得到优化的连铸保护渣粘度预报模型对不同温度下连铸保护渣的粘度进行预报，可以准确的预报连铸保护渣的粘度。