PU绿色轮胎是一种新型的高性能绿色轮胎，研发PU绿色轮胎是轮胎工业发展的必然趋势。经过20年的努力，这项工作已经取得很大进展，而要真正得到实际应用还需要几年的努力，以解决当前的技术难题。 　　大量的实验表明，PU材料的配方和物理性能之间存在本质的必然的联系，而这些联系正是研制新型配方所必须把握和控制的。本文在大量实验数据的基础上，采用多种机器学习的方法，寻找配方和物理性能各项指标之间的必然联系，建立PU绿色轮胎质量控制模型，用以辅助新型配方的研制和开发。 　　从质量控制问题的实际需求出发，在配方物理性能试验测试中，希望建立一个能够根据配方材料和材料配比估计PU材料物理性能指标的数学模型。在进行后面配方的试验中，将模型的预测值与试验测量值比较，核实试验的可靠性或更新数学模型。在新配方的研发中，同样希望建立一个数学模型，在给定物理性能指标要求的条件下，该模型能够给出配方的建议，用以指导新配方的研发。 　　由配方预测物理性能的建模过程，实质上是一个回归(函数逼近)问题，本文采用神经网络的函数逼近方法和支持向量机回归两种不同的机器学习方法建模。由物理性能反向预测配方的建模过程包括两部分，一部分为配方材料种类的选择，它是一个多分类的问题，本文先用神经网络建模，然后用支持向量机分类的方法建模；另一部分为对配方材料配比的估计，它也是一个回归问题，本文同样采用神经网络和支持向量机分别建模。 　　建模结果表明，无论是神经网络还是支持向量机，也无论是分类问题还是回归问题，经过多次建模后均能取得较为满意的预测结果。其中神经网络模型的参数调整方法比较复杂，特别是BP神经网络，需要建立大量模型并比较各个模型，最终才能获得较为理想的结果，而支持向量机方法的参数调整方法简单、快速，能很快建立预测模型，模型的精度也很高。