再生混凝土（RAC）的应用对于建筑业实现经济效益提升和碳中和愿景目标下的可持续发展具有重要意义。强度作为再生混凝土性能的重要指标之一,基于机器算法对其开展智能预测的研究仍处于起步阶段。另外对于RAC的环境和经济性的单一研究居多,全面考虑RAC可持续性的配合比设计尚有不足。本文基于文献调研获得328组RAC实测配合比数据集1,采用机器学习的方法对数据集1进行模型训练,进一步在RAC强度预测和可持续评价方面展开工作。主要内容为:（1）基于数据集1的训练集建立了反向传播神经网络、支持向量机和极限学习机RAC强度的机器学习预测模型,并在测试集上对三种机器学习的RAC强度预测模型进行验证,分析结果表明支持向量机模型为最优模型,其拟合决定系数R2值、平均绝对误差MAE值和均方误差MSE值分别为0.965、1.953和14.016。（2）基于数据集1建立RAC配合比输出的多元输出回归预测模型并验证,其R2值在0.95以上。基于多元输出回归生成不同强度的RAC配合比数据集2,再通过支持向量机模型对数据集2进行强度预测并筛选得到目标强度的数据集3。利用数据集3进行生命周期评价（LCA）和生命周期成本（LCC）计算。结果显示:首先可以分别给出不同等级RAC的环境和成本最优的配合比数据。不同等级RAC原材料阶段环境影响和成本都远高于运输和生产阶段,其中原材料阶段中水泥生产造成环境影响最大以及水泥的成本花费最高;对于运输阶段,天然粗骨料环境影响和成本最大,其次是再生粗骨料和水泥;六个环境影响子类别中,由于水泥的生产和原材料的运输中CO2排放量较大,致使全球变暖潜力的影响远大于非生物消耗潜力等其它影响子类别;生命周期总成本中直接成本远大于环境成本,主要由于天然骨料和水泥市场价格较高,而社会的环境排放意愿支付单价较低。（3）基于RAC的LCA和LCC计算引入生态效率指标。首先可以给出不同等级RAC最优生态效率的配合比数据。进一步使用最大信息相关性方法（MIC）量化RAC生态效率和强度与水、水泥、水灰比、再生粗骨料等参数的相关性,结果表明,与生态效率和强度相关性较大的是水泥和水灰比,其次是骨料。特别对于生态效率,它与再生粗骨料的相关性要高于其它天然骨料。最后基于Sobol指数法对RAC的LCA、LCC和生态效率分别做参数敏感性分析,进一步分别建立RAC的LCA、LCC和生态效率支持向量回归预测模型,R2值都在0.9以上,模型拟合效果良好。再基于精度较高的支持向量回归预测模型,分别使用准蒙特卡洛方法进行灵敏度分析。结果显示,LCA、LCC和生态效率对水泥的敏感性最大,其次是水灰比和骨料。值得注意的是,生态效率对于再生粗骨料的敏感性仅次于水泥。