听力损失是全世界面临的重大公共健康问题。造成听力损失的最主要原因是噪声暴露。因此,充分挖掘噪声暴露大数据中包含的潜在价值从而准确评估噪声诱发的听力损失,对节约医疗成本和加强听力防护等具有重要作用。当前评估噪声引起听力损失的标准是国际噪声暴露标准(ISO-1999)。然而该标准的建立是基于20世纪50～60年代的稳态噪声数据,因而对噪声暴露类型不敏感,往往会低估复杂噪声造成的听力损失。此外,不能利用除能量之外的其他有效特征参量,成为限制该标准对复杂噪声所致生物效应做出准确预测的又一重要原因。数据驱动的机器学习方法可以充分利用数据包含的有效信息,因而基于噪声暴露大数据和机器学习算法,建立一个更精准的听力损失预测模型,以评估噪声暴露对听力危害的影响,具有重要意义。本论文从机器学习的角度研究复杂噪声暴露下听力损失预测新方法,提高听力损伤预测的性能。模型具有合理的听力学解释,并对听力损失预防及早期干预具有重要意义。主要创新点概括如下:针对复杂噪声所致听力损失预测,论文提出基于SVM、MLP、随机森林和AdaBoost的机器学习方法,有效利用复杂噪声数据中的潜在信息,建立了听力损失与损伤综合预测模型,并系统的对比分析了多种机器学习算法的效果。提出一种复杂噪声特性与个体特征融合方法,解决传统方法对噪声暴露类型的不敏感性问题,建立了听力损伤预测模型,预测性能显著优于现有行业国际标准。提出基于卷积神经网络的复杂噪声时序模型特征发现方法,捕获被处理成二维矩阵的噪声时序数据中存在的时间模式,建立了更精准的复杂噪声所致听力损伤预测模型。