目前桥梁集群的地震损伤评估面临效率和准确性之间的平衡挑战。尽管机器学习提供了一种有前景的解决方案，但由于地震损伤场景的复杂性以及数据的不平衡（即安全样本远远多于需要检查或被归类为危险的样本），这些因素限制了机器学习模型的性能。为了克服这些问题，本研究提出了一种基于 SMOTE 增强的 XGBoost 模型，用于快速评估桥梁集群在地震后的损伤情况。该方法通过结合桥梁参数和地震数据，避免了繁琐的现场检查需求，从而实现了对桥梁安全性和交通能力的快速、准确预测。为了解决类别不平衡问题，本研究采用了SMOTE技术生成所有类别的合成样本，并精细调整了采样比例，以寻找最佳配置，从而最大化模型的准确性并改善数据平衡。随后，基于平衡数据集，训练了增强版的XGBoost模型，用于对桥梁状况进行分类，成功缓解了类别不平衡对模型性能的影响。研究还对比了XGBoost、Random Forest和AdaBoost三种算法在原始数据集和SMOTE平衡数据集上的表现。结果表明，SMOTE增强的XGBoost模型达到了最佳准确率，范围为83.3%至87.5%。本研究的创新之处在于将过采样技术与机器学习算法相结合，显著提升了震后桥梁评估的准确性与效率，为应急响应和交通恢复提供了可靠的技术支持。