近年来，机器学习方法被广泛应用于对原子核质量的预测中。基于连续型贝叶斯概率（Continuous Bayesian Probability，CBP）估计器，结合贝叶斯模型平均（Bayesian Model Averaging，BMA）改进了理论模型对核质量的描述。在CBP方法中，核质量理论值与实验值的差异被视为连续变量，通过核密度估计（Kernel Density Estimation，KDE）生成其先验和似然概率密度函数，并以贝叶斯定理确定后验概率密度函数。在全局优化和外推分析中，CBP方法显著提升了理论模型预测的精确度。此外，BMA方法基于各模型对基准核的预测表现为每个模型分配权重，平衡了各模型在不同区域的优势。通过预测Ca同位素双中子滴线位置，评估了BMA方法修正结果的可靠性。CBP方法结合BMA方法为预测未知区域的核质量提供了一种有效途径，并可应用于对其他核性质的研究。