La selección genómica (GS) juega un papel crucial en la cría de ganado. Sin embargo, su implementación en la cría de ganado bovino chino se ve limitada por una población de referencia limitada y registros de datos incompletos. Para abordar estos desafíos, este estudio tuvo como objetivo identificar modelos más efectivos para la selección genómica de múltiples poblaciones. Simulamos cinco poblaciones diferentes de ganado bovino y seleccionamos tres poblaciones con diferentes niveles de parentesco para investigar el impacto de las relaciones poblacionales en la predicción genómica. Utilizando resultados de un estudio de asociación de todo el genoma (GWAS), preseleccionamos diferentes proporciones de polimorfismos de nucleótido único (SNP). Posteriormente, empleamos tres modelos: predicción genómica lineal no sesgada mejorada (GBLUP), predicción genómica lineal no sesgada mejorada múltiple (MGBLUP) y predicción genómica lineal no sesgada mejorada ponderada múltiple (WMGBLUP) para la predicción genómica dentro de la población y entre poblaciones. Nuestros resultados mostraron que aumentar el tamaño del conjunto de entrenamiento mejoró la precisión de la predicción dentro de la población. Además, tanto MGBLUP como WMGBLUP superaron a GBLUP en términos de precisión de predicción tanto para análisis dentro de la población como entre poblaciones. Entre los modelos evaluados, el modelo WMGBLUP, que utilizó el 5% superior de SNP preseleccionados basados en los hallazgos de GWAS, demostró un rendimiento superior, logrando una mejora de hasta un 11,1% en la predicción dentro de la población y un 16,5% en la predicción entre poblaciones. En resumen, los modelos WMGBLUP y MGBLUP muestran una mayor eficacia en la mejora de la precisión de la predicción genómica, y la incorporación de los resultados de GWAS puede optimizar aún más su rendimiento.