高精度的降雨侵蝕力（RE）數據對于理解土壤侵蝕過程至關重要。然而，不同降水數據集在RE估算方面存在顯著差異。本研究旨在開發一個基于機器學習的框架，以實現多源RE數據融合，從而提高RE估算的準確性和空間一致性。為此，利用站點觀測數據作為基準，系統評估了五種常用的網格化降水數據集（Climate Hazards Group InfraRed Precipitation with Station data [CHIRPS]、CPC、CN05.1、CHM以及歐洲中期天氣預報中心（ECMWF）的第五代大氣再分析數據 [ERA5]）在1983年至2020年間對中國大陸RE估算的表現，從而識別出這些數據集的偏差。隨后，通過采用六種算法（線性回歸 [LR]、決策樹回歸 [DTR]、隨機森林 [RF]、Extra Trees 回歸器 [ETR]、極端梯度提升 [XGB] 和梯度提升機 [GBM]）建立了基于機器學習的多源RE融合框架，以整合來自上述五個數據源的RE估算結果。研究結果表明：（1）基于站點插值的降水產品（CHM 和 CN05.1）的表現優于再分析數據集（ERA5），但所有五種網格化數據集（CHIRPS、CPC、CN05.1、CHM 和 ERA5）普遍存在RE低估的問題；（2）融合后的RE估算精度顯著提高，平均均方根誤差（RMSE）從 1826.21 下降到 1077.06 MJ mm ha?1 h?1，Nash–Sutcliffe 效率（NSE）系數從 0.67 上升到 0.89。該融合方法有效解決了原始數據集（CHIRPS、CPC、CN05.1、CHM 和 ERA5）中高強度RE事件（大范圍且強度大的侵蝕）被低估以及中等強度RE事件被高估的常見問題；（3）在復雜且觀測數據稀少的地區（如青藏高原），融合后的RE數據集表現顯著改善（NSE平均值從 -0.30 上升到 0.60）。總體而言，本研究展示了基于機器學習的融合方法在提高RE估算方面的潛力，并提供了一個高分辨率的融合數據集，可作為土壤侵蝕評估和土地管理的可靠基礎。