随着智能技术的发展，机器学习在核电厂机组热力循环系统监测和优化领域受到广泛关注。然而，机器学习模型的弱可解释性限制了其在核电高安全要求下的工程应用。针对这一问题，提出一种融合机器学习可解释方法与物理机理约束的机组出力效率关键参数因果拓扑辨识框架。基于“华龙一号”机组实测数据的验证表明，该方法能够准确辨识出热力循环系统的核心驱动参数，并构建相应的因果拓扑图。研究不仅提升了机器学习模型推理结果的物理可溯源性，也为机器学习模型在核电厂高安全要求场景下的工程应用提供了理论支撑。