纯电动汽车因其以蓄电池作为唯一动力来源,具有低污染、低噪音、能量转化效率高等特点有助于缓解日益严峻的能源与环境问题。在全球各国政府的大力倡导和政策扶持下,纯电动汽车市场发展潜力巨大。但随着纯电动汽车的强势增长,其用户群体的消费和需求逐渐呈现多元化和层次化特性,且用户普遍存在“里程焦虑”现象。为适应市场发展需求和增强用户使用信心,本文依托纯电动汽车的用户真实使用数据,对用户群体进行聚类分析,以刻画不同的用户群体画像,为企业市场定位和精准营销提供理论依据,同时,基于纯电动汽车的实际运行状态数据,对行驶里程进行预测研究,以提高用户满意度。因此,本研究课题具有一定的理论意义和实用价值。本论文以纯电动汽车用户使用数据为研究对象,利用机器学习的聚类分析和回归预测分析技术手段,围绕用户群体细分和行驶里程预测展开相关研究工作,主要研究内容如下:（1）基于FP-Kmeans算法的用户分群研究。首先梳理了聚类分析的研究理论和关键技术,为后续的研究内容奠定理论基础和技术支撑;接着基于体验用户数据,采用数据清洗技术和特征相关性分析技术得到包括14个特征变量的最优数据集;其次针对K-means算法的不足提出一种基于流形距离的FP-Kmeans算法,对用户进行聚类分群;然后对聚类的五类用户群体进行详细的消费能力和使用行为对比分析,并考虑企业业务实际需求给出筛选体验用户的建议;最后对体验用户关注点进行重点分析,研究发现行驶里程为用户最关心性能指标,占比达到46.3%,是阻碍用户选购纯电动汽车的重要原因之一,准确预测行驶里程可有助于缓解用户“里程焦虑”,为下一部分的研究奠定基础。（2）基于Light GBM模型的行驶里程预测研究。首先对回归预测分析的相关理论和分析技术进行总结概述;其次为提高后续预测的可靠性和准确度,在对纯电动汽车的运行状态数据进行特征工程处理后,经片段分割和特征拓展后得到15项特征变量作为模型输入;接着建立Light GBM预测模型,与其它主流回归预测模型进行对比分析,验证了Light GBM模型的有效性及优越性;最后使用Grid Search CV技术对Light GBM模型进行优化,并且利用SHAP对模型进行全局和局部解释分析。