堆肥技术是实现有机固废（Organic Solid Waste, OSW）资源化与碳中和目标的关键途径，但传统工艺依赖于经验判断，存在过程调控粗放、周期长、产品质量不稳定及应用针对性弱等瓶颈。本文系统综述了机器学习（Machine Learning, ML）技术驱动OSW堆肥智能化转型的最新研究进展。在过程优化层面，ML通过随机森林、XGBoost、神经网络等算法，能够高精度预测温度、湿度、碳氮比等关键参数的动态变化，实现基于预测的通风、补水等前馈调控；此外，ML有助于解析微生物群落数据以实现功能菌群的定向富集，并融合电子鼻、光谱或图像等多模态信息，实现对腐熟度快速、无损智能评估。在产品增值与应用层面，ML模型推动了堆肥产品的精准定向开发：用于环境修复时，可预测其对重金属的钝化效率或对有机污染物的降解动力学；用于能源回收时，可关联热解工艺与生物炭性能；用于农业时，可构建土壤−堆肥智能推荐系统并评估抗生素抗性基因等环境风险。当前面临的主要挑战包括小样本数据壁垒制约模型泛化、复杂算法在边缘侧实时部署困难，以及需要通过可解释人工智能（Explainable AI, XAI）增强模型透明度和机理认知。综上所述，ML正推动OSW堆肥从经验操作向数据智能驱动的新范式转变。未来研究应致力于构建集成可靠感知、自适应学习与自动决策的智能系统，以优化废物管理中的多目标协同，全面提升堆肥技术的可持续性与经济效益。