竹子生长速度快,力学性能优异,目前竹材的生产目标已从提高产量转移到了提升质量。传统的竹材力学值测定需要进行大量破坏性试验,同时力学性质的影响因素众多,使用单因素实验的分析方式来寻找影响因素与力学性能之间的关系收效甚微,多个因素之间往往存在着复杂的非线性关系。因此,如何高效准确的对竹材力学性能实现软测量显得尤为重要。本文基于数据挖掘算法,以毛竹(Phyllostachys edulis)等六种材用竹种为研究对象,通过理化实验测量得到其结构性质、力学性质、物理性质及解剖性质共22项材性特征,重点解决构建竹材力学性能(以抗拉强度为代表)预测模型中的两个关键问题——力学性能影响因子的选择问题和竹材力学强度预测建模方法的优选问题。研究了竹材力学性能关键影响因子提取方法、力学强度预测最优模型方法,开发了基于SpringMVC框架的竹材力学性能预测系统。(1)研究了竹材力学性能关键影响因子提取方法。为降低无关变量影响模型预测效果,分别应用竞争性自适应重加权算法、连续投影算法、迭代保留信息变量算法等3种特征选择算法对影响竹材力学强度的22项属性参数进行特征优选。并通过特征变量建立基于LS-SVM的力学性能预测模型,结果表明了基于IRIV算法提取的特征在降低输入变量维度的前提下,有效提高了模型的预测精度。(2)研究了竹材力学强度预测最优模型方法。在影响因子提取的基础上,运用最小二乘支持向量机建立了影响因子与力学强度之间的映射关系,并通过映射关系预测抗拉强度值。针对单独使用LS-SVM方法存在的参数选择问题,本文提出了建立粒子群优化算法的LS-SVM模型,结果表明,PSO-LSSVM预测模型决定系数为0.9278,平均相对误差为2.891%,较常规LS-SVM模型降低了 48.1%,优化后的模型预测效果更加理想。(3)开发了基于SpringMVC框架的竹材力学性能预测系统。运用SpringMVC框架在IntelliJ IDEA平台上结合Weka开源算法工具和MySQL数据库,设计开发了竹材力学性能预测系统,包括数据上传管理模块、数据预处理模块、力学影响特征提取模块、力学性能建模预测分析模块以及系统用户模块等。解决了分析数据依赖多软件协同工作的问题,实现了信息化系统高效管理竹种信息。利用该系统处理分析了材性数据并实例验证了方法和技术的有效性。