随着无线传感器网络的广泛应用,传感器网络节点的可持续供电和续航问题逐渐成为制约其发展的根本问题。流致振动压电俘能装置能从传感器所处的环境中收集能量,实现传感器设备的可持续自供电。但传统的流致振动压电俘能器具有有效工作带宽窄和输出功率低的缺点,这限制了其发展和应用。基于以上背景,本文提出引入下游干扰矩形板或引入上游积灰钝体以提高流致振动压电俘能器的性能。通过风洞实验研究不同工况下俘能器的振动特性和俘能表现,确定能量收集系统的最优化设计。此外,考虑到传统的风洞实验和数值模拟研究方法耗时耗力且成本较高,本文提出利用机器学习技术预测串列双钝体尾流驰振压电俘能器的电压输出和位移响应。采用决策回归树（DTR）、随机森林（RF）和梯度提升回归树（GBRT）三种机器学习算法训练模型,并比较不同机器学习模型的预测性能。本文的主要结论如下:（1）在串列矩形板影响下的流致振动压电俘能系统中,改变矩形板高度和上下游钝体间距会显著影响俘能器的振动响应模式和性能输出。对于特定的下游矩形板高度,随着圆柱和矩形板之间间距的增加,相继观察到驰振型响应G（驰振和涡激振动之间的完全干扰）、驰振和涡激振动之间的部分干扰G-V以及涡激振动型响应V。在圆柱下游0.2 D～0.4 D处放置一个高度为2 D的矩形板为最佳设计方案,该方案显著扩大了传统的涡激振动俘能器的有效风速带宽,最大电压输出提高了102%以上。（2）在串列积灰钝体影响下的尾流驰振压电俘能系统中,上游钟形积灰钝体比喇叭形积灰钝体更有利于尾流驰振压电俘能器的能量收集。其间距比L/D=1.5时的能量收集性能最佳,与传统的涡激振动俘能器相比,有效风速带宽显著扩大,起振风速降低12%,最大电压输出提高111%以上。此外,两种积灰钝体均会在间距比L/D=2.5～3.0的区域内出现淬灭现象,极大降低了俘能器的性能,需要注意和避免在此区域内收集能量。（3）利用机器学习技术可以准确的预测串列双钝体尾流驰振压电俘能器的电压输出和位移响应。研究表明:上游钝体横截面形状S*、直径比η、间距比L*和折减风速U*四个输入参数对尾流驰振压电俘能器的性能输出具有重要影响。三种机器学习模型中,GBRT模型表现出最佳的预测性能,在所研究的四个参数S*、η、L*和U*的变化范围内能够准确的预测俘能器的电压和位移。机器学习技术可为流致振动压电俘能器的设计提供一个快速准确的评估,可作为传统风洞实验和数值模拟方法的补充。