Urea-SCR技术具有NO_X转化效率高、可靠性好、耐久性强等诸多优点,是一种能有效降低柴油机NO_X排放的关键技术,其面临的一个主要问题是如何精确控制尿素喷射量,平衡NO_X转化效率与NH₃泄漏量之间的“trade-off”关系。为此,本文提出一种针对Urea-SCR系统NO_X转化效率与NH₃泄漏量的建模以及多目标优化的方法。首先,设计发动机台架实验以获得建模的原始数据,利用归一化和主成分分析等方法对台架实验数据进行预处理,降低原始数据矩阵的维度并提取原始数据中的有效信息,降低建模的复杂度,提高模型效率。基于偏最小二乘（PLS）、BP神经网络（NN）、支持向量机（SVM）等算法建立上游NO_X排放的预测模型,同时针对不同算法的特点,提出了不同模型的优化方法。其次,对模型误差进行了分析,并针对传统数据集划分方法易导致模型“过拟合”的问题,提出了交叉验证的数据集划分方法。在对比分析了K折交叉验证和留组法交叉验证方法对模型在训练集和测试集上精度的影响后,选择k为7的K折交叉验证方法作为支持向量机建模的数据集划分方法。利用遗传算法（GA）结合指数序列的网格搜索方法,以交叉验证的均方根误差作为适应度函数,优化支持向量机模型的建模参数,提高模型的精度和泛化能力。通过引入均方根误差、平均绝对百分比误差以及相关系数等统计指标对PLS模型、BP神经网络模型、SVM模型以及GA-SVM模型分别在训练集和测试集上的预测精度做出评价,确定GA-SVM为最佳的建模方法,建立最优的上游NO_X排放、下游NO_X排放以及NH₃泄漏量的预测模型。基于建立的排放预测模型,得到NO_X转化效率和NH₃泄漏量这两个目标函数,利用多目标优化遗传算法,以最大化NO_X转化效率的同时尽可能降低NH₃泄漏量为目标,优化不同工况下的尿素喷射量,得到NO_X转化效率和NH₃泄漏量之间的Pareto最优解集及其所对应的尿素喷射量。最后,通过在Pareto最优解集上加入合适的约束条件,从而得到不同工况下的最佳尿素喷射量。本文基于机器学习和遗传算法提出了Urea-SCR系统的建模以及多目标优化方法,并验证了其有效性和可行性,具有一定的理论研究意义和工程实用价值。