服役于侵蚀环境下的RC柱在钢筋发生锈蚀后，抗侧变形能力将显著退化。准确预测锈蚀RC柱在各级损伤状态下的性能点转角可为构件损伤评估和易损性分析工作提供可靠的工程需求参数，但目前现有规范尚缺乏考虑锈蚀效应下RC柱的性能点转角计算方法。为此，本文提出了一种基于可解释机器学习的两阶段方法，用以开展锈蚀RC柱破坏模式识别和性能点转角预测。首先，建立了包含290根锈蚀RC柱拟静力试验数据的抗震试验数据库。在第一阶段，基于XGboost算法分别建立了锈蚀RC柱破坏模式识别模型和性能点转角单输出预测模型，并采用对应的评价指标对其模型性能进行评估，结合SHAP方法实现了训练模型的特征重要性分析以及全局、个体样本的可解释性。在第二阶段，提取了XGboost模型中分析得到的重要特征及其输出结果，将其组合作为输入特征，并采用DNN算法实现锈蚀RC柱性能点的多输出预测。结果表明，XGboost算法对于锈蚀RC柱的破坏模式识别和性能点转角预测均取得较好的效果，且结合SHAP方法可挖掘参数间复杂映射关系；DNN算法能够同时输出多个性能点转角的预测结果且兼顾较高的精度，DNN多输出模型相较于既有的RC柱侧向变形计算方法其预测精度有大幅提升。研究成果可为既有RC建筑地震损伤状态判别与抗震韧性评估提供技术支撑。