土壤是一切生命活动的载体,承载着各类生命的延续。但随着科学技术的发展,矿石开采和化学加工等一系列工业生产直接加剧了环境破坏,导致了污染物的积累。掌握场地污染分布特征是土壤修复的前提,本文针对以往依靠单一指标值评估场地污染分析方法的不足,提出一种基于机器学习算法的顾及环境因素的场地污染分析模型,以期探寻环境与污染特征之间的关联关系,从宏观层面上分析污染场地的污染空间分布特征。同时基于物探数据分析该场地水平层面与垂直层面的污染现状来验证该算法的有效性。最后,顾及环境因素并综合多源数据耦合分析该铬盐生产化工厂的污染特征,为有关部门开展因地制宜的场地污染修复提供了参考。本文取得的主要成果如下:（1）决策树算法对比分析。利用随机森林、GBDT和XGBoost三种提升型决策树算法进行环境相关性研究,对比分析发现,三种计算方法所反映的结果相差较大,随机森林和GBDT算法未能够挖掘出场地污染信息之间的关联关系,仅突出污染超标倍数的重要性,而忽视环境因素对于场地污染状态的调控。基于CART决策树的XGBoost算法,在特征维度上实现并行运算并分析其结构特征,利用正则化法则降低模型过拟合风险,进而可有效挖掘环境信息间的相关性。（2）构建了基于XGBoost算法的顾及环境因素的污染特征分析模型。为了实现宏观层面上的综合分析,本文以华东某铬盐化工厂为例,根据场地污染数据间的关联关系,结合机器学习相关研究,设计了基于XGBoost算法的污染特征分析模型。该模型通过计算场地环境信息间关联关系提取环境特征值,融合改进的内梅罗污染综合指数法计算得到顾及环境因素的场地污染特征值,从而绘制出该化工厂土壤与地下水中六价铬[Cr（VI）]空间分布图,提取其污染空间分布特征。（3）土壤和地下水中Cr（VI）污染特征分析。该化工厂Cr（VI）污染呈现明显的空间异质性,污染随着深度递增而降低。该化工厂浅层东北部由于功能分区直接或间接地接触铬盐生产各个环节,污染物质通过填埋和渗流进行扩散,导致东北部污染严重;又因污染物质渗漏具有一定限度,厂区西南部和整个厂区深层次土壤无明显污染。（4）基于局部物探数据的场地污染特征机器学习算法验证。在局部地区布设物探设备,利用感应电磁法和高密度电阻率法检测该地块污染状况,分析结果表明,该区域内的电阻率与正常原土的电阻率存在明显差别,污染土壤的电阻率范围在3 Ohm·m以下。Cr（VI）污染主要集中在土壤深度0-10米范围内。验证结果表明,该机器学习算法能够有效挖掘污染与环境间的关联关系,从多维度层面考虑污染扩散的制约因素,对场地污染特征分析具有重要的应用价值。