国内外建筑行业正处在大规模加固与改造阶段,纤维增强复合材料（fiber reinforced polymer,FRP）加固近几十年作为新型加固方法受到了加固工程领域的广泛关注。“双碳”背景下,其作为绿色环保材料的应用前景势必更加广阔。在加固工程中以钢筋混凝土梁结构的加固为例,被加固的钢筋混凝土梁存在安全问题——易发生剥离破坏,包括中间裂缝剥离与端部剥离（本研究记为I类与II类安全问题）,其应用受到了一定程度上的限制。如何对两类安全问题进行识别及预测是加固梁安全预测中被广泛关注的问题。国内外学者对此安全问题展开了一系列的研究,并结合实验及经验提出了不同的分析模型。但被加固梁的安全问题受众多指标影响,关系复杂且实验环境、仪器设备、人等因素均会对实验及建模造成影响,所建预测模型大多存在较大的误差。近年来随着计算机计算能力及数据规模的增长,机器学习技术被应用到各个领域,将机器学习技术引入到梁加固的安全预测上来,可为此领域提供解决问题的新思路。本研究针对上述问题进行了基于机器学习的FRP加固梁安全预测模型的建模研究,包括加固梁安全模式识别模型、I类安全预测模型以及II类安全预测模型三个子模型,具体研究过程如下:对国内外针对I类与II类安全问题考虑的指标及建立的预测模型进行了回顾,分析了现有研究的不足;其次采用文献研究建立了I类、II类安全问题预测以及I、II安全模式识别的初级指标体系;收集了229组试验数据并对其进行了统计分析,后使用相关性分析及灰色关联分析对指标进行研究并建立了最终的指标体系;使用机器学习中的分类算法:K近邻、决策树、随机森林、BP神经网络、逻辑回归以及支持向量机建立安全模式识别子模型;使用机器学习中的回归算法:线性回归、岭回归、决策树、随机森林及BP神经网络算法建立I类、II类安全预测子模型,基于分类正确率、均方根误差以及拟合优度确定适用于本研究的最优分类及回归模型;采用麻雀搜索算法对得到的最优预测模型—BP神经网络模型进行权值和阈值的优化;对国内外相关规范建议的预测模型进行了可靠度评价,并在考虑实验环境、仪器设备、人等因素的基础上,根据指标敏感性分析及莱文贝格-马夸特（Levenberg-Marquardt,L-M）算法建立了可进行指标定性分析的II类安全问题预测的数学模型;最后对两类安全问题的影响指标进行了重要性判别,并依托智能决策支持系统技术进行了加固梁安全预测“大模型”的构建。通过分析验证结果得到:支持向量机最适用于对安全模式的识别,BP神经网络模型适用于对I类、II类安全问题的预测;麻雀搜索算法优化后的BP神经网络模型精度明显提高;建立的BP神经网络与L-M预测模型优于规范建议的预测模型;建立的安全预测“大模型”理论上可对加固梁进行有效的安全预测。最后对本研究的成果及不足进行了总结,并指出了待解决的问题及待提高的方向。