地源热泵技术由于其节能、环保等优点在国内得到了越来越广泛的应用,对于地源热泵系统的性能研究主要方法有实测数据分析、建立仿真模型以及数据驱动技术预测等。首先,因为很多地源热泵系统没有安装监测系统导致实测数据的获得变得很困难,其次仿真模型的建立过程非常复杂,所以现在对地源热泵系统性能的研究越来越多的利用数据挖掘技术。在常用的数据挖掘技术中,随机森林模型（Random Forest,RF）具有稳定性强、准确度高等优点,已经在很多领域得到广泛的应用。本文实测了八栋建筑的地源热泵系统夏季运行数据,以此为数据样本建立了RF模型和反向传播神经网络（Back Propagation Neural Network,BPNN）模型,用来进行地源热泵系统COP的预测。测试数据包括了室外温度、用户侧供回水温度、地源侧供回水温度、用户侧流量、地源侧流量、制冷量、耗功率以及负荷率等与系统COP有关的参数,对这些参数进行了相关性检验,负荷率是和制冷量相关性为1的冗余特征,将其去掉的同时加入了系统COP的历史数据形成了模型的输入参数,系统COP为模型的输出参数,本文对每一个案例建立预测模型,确定模型参数,将数据集分为训练集和预测集,分别用于评估魔性的精度和泛化能力,采用平均绝对误差MAE、平均相对误差MAPE、均方根误差RMSE、方差R2来评估模型的预测性能。研究发现,RF和BPNN模型对八个案例的系统性能预测都具有较高的预测精度,对两种模型的预测结果进行对比发现,RF模型在模型预测精度方面优于BPNN模型,两者的泛化能力不相上下。对单个案例进行分析发现BPNN模型对小样本量的预测能力要优于RF模型,但是RF模型对于样本量的变化的敏感性比BPNN模型低。样本的分布特征和数据质量都对模型的预测性能有一定的影响,在对地源热泵系统性能预测中模型表现出COP值越高,预测性能越好的特点,但也需要剔除异常值来保证模型的预测性能。最终研究表明在地源热泵系统性能预测中两个模型的预测精度均较高,都具有良好的泛化能力,预测模型的稳定性RF模型优于BPNN模型。