在能源危机和环境污染的双重压力下,生物柴油以其清洁可再生、理化性质与石化柴油相似度高的优势,已成为极具潜力的柴油机替代燃料之一。因此,柴油机燃用生物柴油的污染物排放控制也成为了内燃机领域的研究热点。鉴于此,本文分别采用BP神经网络（BP-ANN）和支持向量机（SVM）机器学习算法建立了柴油机燃用生物柴油的排放预测模型,并利用遗传算法（GA）和粒子群算法（PSO）等智能优化算法针对所建立模型的预测精度进行了优化研究,另外还采用优化后的支持向量机（SVM）排放预测模型与非支配排序遗传算法（NSGA-II）相结合的方式建立了柴油机燃用生物柴油的污染物排放多目标优化模型,求得了同时降低NOx和颗粒物排放的生物柴油理化性质最优解。所取得的研究成果为生物柴油理化性质及组分的优化和调节提供了理论基础和技术手段。本文所取得的主要研究成果如下:（1）基于柴油机台架实验数据,建立了BP-ANN和SVM柴油机燃用生物柴油的排放预测模型,并研究了神经元个数对BP-ANN预测模型精度的影响以及核函数、惩罚因子C和核函数参数g对SVM预测模型精度的影响。在BP-ANN排放预测模型中,隐含层神经元个数分别为6和9时NOx排放预测和颗粒物排放预测的预测精度最高,其决定系数R2分别达到了0.9626和0.966。在SVM排放预测模型中,采用径向基核函数时模型预测精度最高。在测试集中,NOx和颗粒物排放预测的决定系数R2分别达到了0.9555和09565,均方误差mse分别达到了0.00932和0.00912。另外,惩罚因子C和核函数参数g对SVM预测模型预测精度影响十分显著。随机选取C、g将明显降低NOx和颗粒物排放预测的决定系数（R2<0.41）,增大均方误差（mse>0.2）。（2）采用GA算法对BP-ANN预测模型的权值和阈值以及SVM预测模型的惩罚因子C和核函数参数g进行优化分别建立了GA-BP和GA-SVM预测模型。相比于GA-BP预测模型,GA-SVM预测模型的预测精度更高,NOx和颗粒物排放预测的R2分别提高了1.8%和2%,mse分别降低了0.09%和0.11%。另外,还采用PSO算法对SVM预测模型进行优化建立了PSO-SVM预测模型,通过比较GA-SVM和PSO-SVM预测模型的预测性能发现,两者的预测精度基本相当,但GA-SVM预测模型的预测速度更快。（3）采用GA-SVM排放预测模型与NSGA-II算法相结合的方式建立了柴油机燃用生物柴油的污染物排放多目标优化模型,并针对NOx和颗粒物排放进行了生物柴油理化性质的最优解求解。结果表明,通过改变生物柴油组分以调节其理化性质能够同时降低柴油机的NOx和颗粒物排放。