目的利用常规临床数据开发浆液性卵巢癌（SOC）术后复发远处转移风险机器学习预测模型。方法收集2010年1月至2020年12月在云南省肿瘤医院行手术治疗后复发的687例SOC患者为研究对象。根据复发状态将患者分为远处转移组（n=105）及非远处转移组（n=582）。采用logistic回归筛选SOC远处转移相关变量，运用K最近邻（KNN）、逻辑回归（LR）、随机森林（RF）、支持向量机（SVM）和极限梯度提升（XGBoost）5种机器学习算法开发SOC术后复发远处转移风险预测模型。在模型验证方面，采用十折交叉验证方法进行内部验证。模型的性能使用受试者工作特征曲线评估。结果远处转移组与非远处转移组患者国际妇产科联盟（FIGO）分期（Z=-3.81，P<0.001）、围手术期化疗周期（t=-5.11，P<0.001）、淋巴结转移（χ²=5.98，P=0.014）、腹腔积液细胞学（Z=-2.22，P=0.026）、新辅助化疗（χ²=5.29，P=0.021）差异均具有统计学意义。多因素分析结果显示，FIGO分期（OR=1.54，95%CI为1.07~2.22，P=0.019）和围手术期化疗周期（OR=1.22，95%CI为0.09~0.36，P<0.001）是SOC术后复发时发生远处转移的独立影响因素。腹腔积液细胞学（OR=1.20，95%CI为0.71~1.89，P=0.180）不是SOC远处转移的独立影响因素，结合文献观点将其纳入后可提高模型的曲线下面积（AUC），最终将其纳入模型的构建。基于上述3个变量构建的5个机器学习模型中，基于KNN构建的模型识别SOC远处转移的性能最佳，AUC为0.750、敏感性为0.591、特异性为0.786、准确率为85.0%；LR模型的AUC为0.679、敏感性为0.545、特异性为0.765、准确率为84.3%；SVM模型的AUC为0.634、敏感性0.240、特异性为0.968、准确率为84.7%；RF模型的AUC为0.575、敏感性0.905、特异性为0.245、准确率为84.7%；XGBoost模型的AUC为0.704、敏感性0.567、特异性为0.745、准确率为84.9%。结论FIGO分期、围手术期化疗周期为SOC术后发生远处转移的独立影响因素；基于FIGO分期、围手术期化疗周期及腹腔积液细胞学构建的KNN模型预测SOC术后复发远处转移具有较高的区分度与准确率。