地源热泵空调系统有良好能效及较低运行成本,但较高初投资和复杂的系统形式也一定程度上限制了其进一步推广应用。现有地源热泵系统参数设计及优化方法较少考虑多变量间的交互影响,传统空调控制方法及运行策略往往忽视系统时滞性及负荷动态变化对能效的影响。本文对夏热冬冷地区地源热泵空调系统参数设计优化和控制运行优化问题进行了研究。在地源热泵空调系统参数设计优化方面,通过实验分析了地源热泵系统在冬、夏季部分负荷工况下的能效表现,探究了机组制冷/制热量、耗电量和性能系数（Coefficient Of Performance,COP）随机组停机时间比率变化的关系,随热泵机组启停次数增多,COP最多可降低19.8%;分析了系统在夏季满负荷工况下不同热泵出水温度对于系统能耗及室内温湿度的影响,得出随热泵出水温度升高机组COP最高可提升15.8%。通过模拟定量化分析了地源热泵系统中包括地埋管换热器形式、管间距、热泵出口设定温度等在内的八个参数对系统能效表现、经济性及土壤热平衡性的相对影响大小。将效用函数（Utility Function,UF）及平均权重分配法应用于参数估计模型中以确定优化参数组合。采用响应曲面模型（Response Surface Method,RSM）分析了系统中连续型多变量对不同目标函数间的影响机理,将响应曲面模型与非支配排序遗传算法（Non-dominated Sorted Genetic Algorithm,NSGA-II）耦合,从能效比、运行费用及室内热舒适性三方面对系统进行综合评价,根据层次分析法（Analytic Hierarchy Process,AHP）对系统进行优化决策。所得两优化工况相比于参考工况在保证舒适性的同时,季节性能系数（Seasonal Performance Factor,SPF）分别提升了4.2%和4.1%;运行费用分别降低了17.8%和13.0%。在地源热泵空调系统控制运行优化研究方面,提出了一个逐时负荷预测模型,选用支持向量回归、反馈神经网络（Back Propagation Neural Network,BPNN）、长短期记忆网络（Long and Short Memory,LSTM）及混合LSTM-BPNN模型进行预测对比评价,将LSTM-BPNN模型与BPNN模型耦合的LSTM-BPNN+BPNN方法对逐时冷负荷预测效果最好,LSTM-BPNN模型对于逐时热负荷预测效果最好。结合该逐时负荷预测模型与常规基于LSTM网络的逐日负荷预测模型,提出并行负荷预测控制策略,及改进的实验室地源热泵+蓄能系统,改进的地源热泵+蓄能系统应用预测控制策略可同时实现系统在供能侧和蓄能侧的节能,相比常规蓄能系统在夏、冬两季分别降低11.5%和8.7%的能耗及7.5%和13.1%的运行费;相比于常规地源热泵系统,夏、冬两季能耗相近的同时可降低21.3%和25.1%的运行费。本文研究成果可为地源热泵空调系统的相关研究、设计与运行提供参考。