目的　构建医用直线加速器高价值零件故障预测模型，以实现对高价值零件故障的预判。方法　选取2013年1月至2017年12月医院在用医科达Synergy医用直线加速器的60组共381个维修记录数据，按照7:3比例随机分配为训练集（42组）和测试集（18组），采用一维卷积神经网络进行二分类建模，随机选取30组数据作为验证集评估模型性能，并采用测试集数据检测模型预测效果。结果　设定最大训练学习次数为120次，实际训练次数超过80次时数据趋于稳定，训练集和验证集的准确率均稳定于90%左右，测试集数据准确率均在96%以上，表明模型收敛较好。结论　该模型预测医用直线加速器高价值零件的故障次数与实际情况接近，为预防性维修和保修服务采购提供了可靠的数据支持。