船用柴油机的发展现在正处于一个挑战和机遇并存的时代,在愈发严格的排放法规和愈发严峻的市场要求背景下,诸多新技术的提出和应用使得船用柴油机的性能和排放均得到了很好的提高。但新技术的应用势必增加了柴油机的可控参数及待优化运行参数,这样即使得柴油机这个多输入多输出非线性系统变得更为复杂,继而对于柴油机的性能预测及多目标优化问题也变得更加具有挑战性。传统的响应预测方法和优化方法已经愈发无法满足现代柴油机的研究要求,与此同时,机器学习方法和现代智能优化方法的出现和发展给柴油机的预测和优化研究提供了新的方向。本文在引入机器学习方法对船用高速大功率电控高压共轨柴油机进行性能预测研究的同时,全面研究了两种机器学习方法应用于柴油机性能预测模型建模时的预测性能。然后,针对两种机器学习方法各自存在的不足,利用智能优化算法对其进行了优化研究。其次,为了进行柴油机的多目标优化方法研究,建立了一个能够精确反映柴油机运行状态的数值仿真模型。最后,在此仿真模型的基础上,利用机器学习方法和智能优化算法建立了一种高效精确的柴油机在线多目标优化方法,实现了对柴油机运行参数的有效寻优计算,为柴油机运行参数的标定及优化提供了一种新方法。主要的研究内容和研究成果如下:进行柴油机台架试验,试验覆盖标准螺旋桨特性线10%-100%工况,包含了126个运行状态。然后为后续研究实现对柴油机的多目标优化,建立了一个能够准确反映柴油机实际运行状态的数值仿真模型。仿真模型的建模综合考虑到了柴油机的燃油系统、进排气系统、涡轮增压器、调速器以及缸内燃烧工作过程,在通过试验标定后,对仿真模型在柴油机推进特性内60个运行状态进行了试验验证,验证结果充分展示了仿真模型的仿真精度和泛化能力,证实了采用仿真模型代替真实柴油机进行优化方法研究的可靠性。基于柴油机台架试验数据,研究了近些年工程领域中应用最为广泛的两种机器学习算法,神经网络和支持向量机,应用于柴油机响应预测模型建模时的性能。统计分析了神经网络的预测性能受其结构、初始权值阈值以及训练样本的划分方法的影响程度,结果表明神经网络的预测性能对于不同的柴油机响应参数表现不尽相同,但整体上看随着其结构的不同,神经网络的预测性能具有一定的规律,而初始权值阈值及训练样本的划分对其性能的影响存在一定的随机性。另一方面,支持向量机的预测性能主要受其核函数参数和惩罚因子的影响,虽然这两个参数对支持向量机的影响具有一定的理论指导,但针对不同的预测参数,具体的影响规律还需要进行针对性的研究。基于对神经网络和支持向量机用于柴油机响应预测时的性能研究结果,分别利用遗传算法和人工鱼群算法对其进行了优化研究。在利用遗传算法对神经网络进行优化时,提出了一种新的算法对神经网络训练样本的训练集和验证集划分方法进行优化,与现有的神经网络初始权值阈值优化算法对比,新的优化算法具有更加突出的优化效果,然后结合两种优化算法再次提出了一种对神经网络的初始权值阈值以及训练样本划分同时优化的综合优化算法,通过测试取得了更加优秀的优化效果。另一方面,在利用人工鱼群算法对支持向量机进行优化研究时,人工鱼群算法同样展示出了出色的寻优效率和精确的寻优结果。在前文对机器学习方法及柴油机数值仿真模型研究的基础上,利用非支配排序遗传算法(NSGA-II)建立了柴油机多目标在线寻优方法,该方法结合了仿真模型的准确性和支持向量机预测模型的高效性,并且提出了支持向量机的强化学习方法,保证了寻优结果的精确度,最终实现了对柴油机NOx和Soot排放的Pareto最优解的寻优计算。通过测试验证,该寻优方法取得了很好的寻优效果。