在汽车发动机性能开发中使用机器学习算法对发动机的经济与排放性能进行回归分析是不同于传统的技术手段,使用基于机理的数值预测模型能够实现最佳的预测精度,但是要想达到理想效果难度较大。而基于机器学习算法的回归预测方法能够降低技术难度,提供一种新的技术尝试。本文基于机器学习的多种算法对发动机的BSFC、NOx、HC、CO和CO2参数进行回归预测研究,使用遗传算法对回归预测模型进行超参数调整,优化模型预测表现。使用的机器学习回归算法包括了线性回归算法、K近邻回归算法、支持向量机算法、决策树算法、多层感知器算法、集成学习。论文的主要结论如下:（1）在对经济性指标BSFC进行回归预测时,经过算法优化之后,回归树、多层感知器算法和集成算法的训练R2值都在0.99以上,测试R2值都在0.94以上,是较好的算法选择。（2）在对排放性指标进行回归预测时,经过算法优化之后,Gradient Boost算法对NOx的训练以及测试R2值分别为1和0.85,是最佳算法选择;对于HC,各回归预测模型的过拟合有一定抑制,Gradient Boost算法表现较好,测试R2值为0.69221,是较好选择;对于CO,Gradient Boost算法的测试R2值能达到最高的0.93654,是最佳选择;对于CO2,随机森林、Ada Boost和Gradient Boost算法相较于其他回归算法有最高预测精度。（3）在训练集上,遗传算法对K近邻回归算法的预测精度提升幅度较大,对集成算法几乎没有影响。在测试集上,优化算法极大地抑制多项式线性回归的过拟合,对Ada Boost和Gradient Boost算法的预测精度提升效果明显。使用机器学习回归算法与优化算法进行回归预测能够助力于经济与排放指标的计算,对发动机的经济与排放性能优化具有重要意义。