有机朗肯循环（Organic Rankine Cycle,ORC）技术在低品位热能回收利用领域中具有较大的应用价值,这使得ORC性能优化问题成为该领域一直以来的的重要研究课题。多年来,实验研究和建模计算、超结构和数学规划等传统优化方法的发展已经较为成熟,但面对当前越来越庞大的数据规模和复杂的优化需求,对ORC的性能优化也变得愈发困难。基于相关领域的应用启示,人工智能方法在此领域的应用开始受到关注,其中数据挖掘和机器学习是人工智能方法应用中的两个重要方面,但当下结合人工智能的ORC性能优化研究较少,且现有研究对人工智能方法应用的合理性和案例论证仍然存在不足。因此,亟需对结合人工智能的ORC性能优化方法展开深入研究。首先对ORC建模计算得到循环数据库,然后利用关联规则挖掘算法（数据挖掘典型算法）与神经网络算法（机器学习典型算法）对ORC性能进行优化,提出基于数据挖掘和机器学习的ORC性能优化方法。主要工作内容和结论如下:（1）建立十种工质、六种参数变量以及基本有机朗肯循环（BORC）和回热有机朗肯循环（RORC）这两种构型的循环热力学模型和经济模型,计算得到关于循环工质、构型、运行参数以及性能指标的循环数据库。（2）利用关联规则挖掘Mod-Apriori算法对循环数据库进行挖掘,实现了对BORC的热回收率的单目标优化,并与利用遗传算法优化得到的结果进行对比分析。结果显示两种方法得到的结果基本一致,并且关联规则挖掘方法时间更短。（3）利用机器学习GA-BPNN（Genetic Algorithm-Back Propagation Neural Network）算法建立预测模型,实现了对BORC和RORC的热回收率、（火用）效率和平准化度电成本较为准确的预测,误差基本保持在1-2%。（4）通过循环运行参数的敏感性分析,对（3）中预测结果的准确性进行了进一步验证,然后分别基于GA-BPNN预测模型和（1）中的循环模型,利用基于交叉和变异的粒子群算法（Cross-and-Mutation-based Particle Swarm Optimization,CMPSO）算法实现了对BORC和RORC的热回收率、（火用）效率和平准化度电成本的多目标优化,并将基于两种模型得到的结果进行对比分析。结果显示两种优化结果基本一致,且基于预测模型的优化方法时间更短。综上所述,考虑到准确性、计算时间、经济成本和安全性,提出了基于数据挖掘和机器学习的ORC性能优化方法,通过与传统优化方法的对比验证,新方法结果较为准确的同时具有时间优势,且随着数据量的增加此优势将更加显著。