高校建筑在城镇建筑中占比不高于7%,其建筑能耗却占全国总建筑能耗的30%,而且宿舍楼能耗在校园总能耗中占比最大。多联机（VRF）空调系统由于其能效高、配置灵活、节能且运行成本相对较低成为当下中小型建筑空调的优选方案。本文以高校宿舍楼与VRF空调系统为对象,验证能耗模拟软件模拟结果的可靠性以及将其与机器学习方法相结合应用于空调能耗分析领域的可行性。本文模拟高校宿舍楼VRF空调系统能耗,较高校宿舍楼空调能耗调研结果,本研究的高校宿舍楼空调能耗模拟结果合理。宿舍楼VRF空调能耗地区识别模型分别建立在CART决策树算法和朴素贝叶斯分类器上,本研究分别分析了特征选择、参数优化对模型分类结果的影响。结果表明,超参数优化可以提高地区识别模型的分类性能,其中CART地区识别模型的分类准确度从85.76%提高到87.19%,各类别标记的受试者工作特征曲线与坐标轴围成的面积（AUC）达到0.9959到0.9972之间,朴素贝叶斯地区识别模型的分类准确度从37.83%提高到48.36%,AUC达到0.6512到0.7146之间。相较于贝叶斯分类器,CART决策树更加适合于高校宿舍楼VRF空调能耗地区识别研究。本研究比较了不同神经网络结构、激活函数、训练算法的BPNN高校宿舍楼VRF空调能耗预测模型。在其他条件相同的情况下,训练算法分别为贝叶斯正则化算法和Levenberg-Marquardt算法的BPNN1与BPNN4模型的综合预测性能佳。比较其与多元线性回归（Linear R）模型的预测结果,BPNN4和BPNN1的运行时间都超过1秒,而Linea R的运行时间为0.1秒,但它们的拟合性能以及抗干扰能力皆优于Linear R。最后用某酒店的冷水机组空调能耗序列检验BPNN1与BPNN4模型的泛化性能。BPNN1的拟合能力（R~2）达到0.9914、均方根误差（RMSE）为2.2244,BPNN4的R~2达到0.9917、RMSE为2.1273,但BPNN1预测所耗费的时间约为BPNN4运行时间的5倍。结果表明BPNN4能很好地推广应用于其他建筑空调能耗预测工作中。