我国有过半国土处于地震活动频繁的地区,地震液化带来的灾害不容忽视。在工程勘察和建设时,科学有效的判别砂土液化对地震防灾减灾规划和人民生命财产安全有重大意义。本文先是对国内外砂土液化研究现状进行了梳理,发现基于剪切波速和支持向量机的砂土液化预测研究甚少,所以在研究了机器学习理论和支持向量机原理之后,收集整理了近年来震后场地剪切波速试验资料,之后采用机器学习方法中的SVM和Python语言进行建模从而实现对砂土的液化预测,同时为了研究主成分分析(PCA)、粒子群优化(PSO)方法以及训练样本变化对SVM模型性能的影响,形成了四种基本模型:基于SVM的M1、基于PSO-SVM的M2、基于PCA-SVM的M3以及基于PCA-PSO-SVM的M4。最后,在训练样本变化下形成M1～M4系列12个模型,并将本文方法与美国NCEER方法、《岩土工程勘察规范》中推荐方法和孙锐提出的方法进行比对,结果表明:一、PCA和PSO方法能提升M1～M4模型预测性能,增加预测准确率。二、基于PCA-PSO-SVM的M4模型在综合评价上表现最好。三、当训练样本小幅增加3%、4%和5%时,不使用PSO的M1系列模型对样本变化不敏感,M3系列模型对新增的训练样本学习不够充分,而使用PSO算法的M2和M4系列模型可以更有效的获得新数据的信息,小幅提升了模型的预测性能。四、在与国内外常用剪切波速判别法的对比中,本文基于PCA-PSO-SVM的最优模型M4在整体上预测平均成功率远高于NCEER法、岩规法和孙锐法。M4无论在国内还是国外的液化判别中都取得了较高的准确率,证实了本文模型的有效性和通用性。