La predicción de víctimas en desastres por terremotos es un requisito previo para determinar la cantidad de suministros de emergencia necesarios y sirve como base para la distribución oportuna de recursos. Para abordar desafíos como la gran carga computacional, el tedioso proceso de entrenamiento y los múltiples factores que influyen en la predicción de víctimas de terremotos, este estudio propone un modelo de Máquina de Soporte Vectorial (SVM) que utiliza Análisis de Componentes Principales (PCA) y Optimización Bayesiana (BO). Los datos originales se someten primero a una reducción de dimensionalidad utilizando PCA, seleccionando componentes principales que contribuyen acumulativamente a más del 80% como variables de entrada para el modelo SVM, mientras que las víctimas de terremotos se designan como la variable de salida. Posteriormente, se obtienen los hiperparámetros óptimos para el modelo SVM utilizando el algoritmo de Optimización Bayesiana. Este enfoque resulta en el desarrollo de un modelo de predicción de víctimas de terremotos basado en PCA-BO-SVM. Los resultados experimentales indican que, en comparación con el modelo GA-SVM, el modelo BO-SVM y el modelo PCA-GA-SVM, el modelo PCA-BO-SVM muestra una reducción en las tasas de error promedio del 12.86%, 9.01% y 2%, respectivamente, junto con mejoras en la precisión promedio y la eficiencia operativa del 10.1%, 7.05% y 0.325% y 25.5%, 18.4% y 19.2%, respectivamente. Estos hallazgos demuestran que el modelo PCA-BO-SVM propuesto puede predecir de manera efectiva y científica las víctimas de terremotos, mostrando fuertes capacidades de generalización y alta precisión predictiva.