由于横风向振动的复杂性,传统的横风向振动理论,如准稳态理论、范德波尔振子模型,其预测精度往往是非常有限的。目前对矩形柱体和矩形截面高层建筑横风向振动的研究主要依赖于耗时耗力的风洞试验和数值模拟技术。本文主要基于机器学习技术来研究矩形柱体和矩形截面高层建筑的横风向振动。同时,采用无监督学习的方法分析了矩形截面高层建筑的横风向力功率谱特性。为了准确评估矩形柱体的横风向响应,基于文献中的高质量的风洞试验数据集,训练了基于决策树回归,K最近邻回归,随机森林,梯度提升回归树和直方图梯度提升回归树算法的5种机器学习模型来预测矩形柱体的横风向响应。梯度提升回归树模型在预测矩形柱体的横风向响应上表现出最优的性能。此外,为了进一步验证梯度提升回归树模型的泛化能力,利用梯度提升回归树模型预测了矩形柱体四种类型的横风向振动:过耦合、耦合、半耦合和解耦。研究发现,在湍流强度为0-16%的范围内,梯度提升回归树模型能够较为准确地预测长宽比在0.75-3.0,Sc（Scruton number）在0-150范围内的矩形柱体的横风向响应。针对矩形截面高层建筑的横风向响应,本文采用了机器学习技术和随机振动理论相结合的方法,来预测矩形截面高层建筑的横风向响应。基于圣母大学自然灾害试验室的高层建筑多数据库交互设计模块（Multiple databaseenabled design module for high-rise buildings）,利用轻量级梯度提升机（LGBM）算法建立矩形截面高层建筑的横风向力功率谱预测模型,并采用机器学习模型内推测试和外推测试进一步验证了此模型的泛化能力。同时,利用多个风洞试验案例来验证了轻量级梯度提升机模型结合随机振动理论来预测矩形截面高层建筑横风向响应的方法是准确有效的。最后,基于横风向力功率谱模型生成的数据集,利用k均值聚类详细分析了地面粗糙度、高宽比和长宽比对矩形截面高层建筑的横风向力功率谱的影响,并利用机器学习技术进一步分析了这三个影响因素在控制矩形截面高层建筑横风向力功率谱过程中所占的比重,解释了矩形截面高层建筑横风向力功率谱特性。综上所述,本文利用机器学习技术来评估矩形截面柱体的横风向响应及其横风向力功率谱特性分析,不仅可以作为风洞试验和数值模拟技术的补充,为设计人员提供一个快速准确的初步评估,且为后续发展更加通用的机器学习模型奠定基础。