历年以来,世界上有很多国家受到风灾的侵害,风灾给人民生命财产安全带来巨大的损失。我国沿海地区受到风灾的影响也一直巨大。仅2018年就有近10个台风在我国登陆,其中台风“山竹”对华南沿海地区造成的损失巨大。据调查统计,建筑破坏带来的经济损失一般占了较大的比例。在众多类型建筑中,低矮建筑更易于受到毁坏,破坏程度更加严重。因此,有必要针对于低矮建筑的风荷载分布进行相关的研究。风压预测的相关研究方法有:本征正交分解（POD）方法、插值函数预测。近年来随着人工智能技术的快速发展,人工智能的相关核心算法也逐渐运用到工程结构抗风研究中。目前为止,世界上很多研究机构和高校的风洞实验室建立了部分高层建筑和低矮建筑风压测试风洞试验数据库,人工智能在工程结构抗风的发展也得益于数据库的大量数据驱动。本文基于东京工艺大学（Tokyo Polytechnic University）建立的低矮建筑表面风压风洞实验数据库,采用机器学习的算法进行低矮建筑表面风压预测研究。本文的研究内容主要如下:（1）简单回顾了低矮建筑表面风压的研究现状、风压分布特性、机器学习和深度学习算法相关的理论知识。（2）对各类预测模型超参数的确定,采用本文提出的贝叶斯优化算法。对其实现算法进行了简要介绍;此外针对实验模型风压预测的结果,确定相关的评价指标进行衡量。（3）运用深度学习中的LSTM模型,和机器学习中的RFR、SVR、XGBoost、Light GBM模型,对低矮建筑表面风压的时间序列进行预测。对比结果表明LSTM模型的预测结果精度,在总体上高于RFR、SVR、XGBoost、Light GBM的预测精度。深度学习LSTM模型可以一次性地同时预测出同一个建筑表面上的所有测压点的时程风压,在精度保证的情况下,LSTM方法可节省风压预测的时间。（4）运用本征正交分解（POD）的方法,对低矮建筑风压场进行分解和重建。然后,将POD和深度学习算法中的深度神经网络（DNN）和机器学习方法中的DRT、RF和GBRT相结合,对低矮建筑表面未知风压测点进行时程风压预测。通过对比结果发现,DNN-POD方法的预测结果精度在总体上高于DRT-POD、RF-POD和GBRT-POD机器学习方法,且前者的准确度可高达到98.5%。