现代社会正面临着严重的老龄化挑战,我国60岁以上的老年人口数量将在“十四五”期间突破3亿。许多老年人在夏季或冬季更容易受到温度波动变化等极端天气的影响,因为他们往往体质较弱,并伴有各种健康问题,且大多不会积极主动调节室内空调等热环境设备。然而老年人大约90%的时间都呆在室内。但是现有PMV模型作为建筑室内热环境设计标准的热舒适预测模型,未考虑人员的实时热感觉,同时该模型是根据稳态热环境下年轻人的实验数据得到的,缺乏针对老年人及动态热环境的修正方法,在实际建筑中存在预测不准确等缺点。因此为了营造能满足老年人热舒适需求的热环境,本研究基于人体实验数据,利用机器学习方法建立了老年人的热舒适预测模型,可以更好地适用于室内热环境实时调节控制系统。首先对老年人与年轻人的客观生理参数与主观热舒适进行了研究,本文招募了健康老年人分别在18℃-34℃,34-18℃的夏季工况下进行人体热舒适实验,为了更好地探究老年人的差异性,引入年轻人作为对比组。结果表明:在温降工况下,环境温度为34℃以及20℃左右时,老年人总体热感觉显著高于年轻人,将热感觉与环境温度进行线性回归,可以得出老年人的热敏度要低于年轻人,同时热期望结果表明老年人主动调节热环境的意愿更小。年轻人与老年人的热中性温度范围分别为:23～27℃,22～27℃。本次研究的温降工况中,两组平均皮肤温度并没有显著差异。但红外探测的额头与手背温度,不论是温升还是温降工况,其额头温度在环境温度偏热时存在显著差异（P<0.05）,而手背皮肤温度未发现差异。局部皮肤温度与整体热感觉线性拟合中,额头皮肤温度最能表征受试者的整体热感觉。在此基础上研究了老年人在温度变化中与年轻人热舒适响应的差异,即短期热经历与冷热不对称性对人员热舒适的影响。在相同的热环境下,由于上一阶段经历的热环境不一样,此刻的整体热感觉投票出现了差异,热的热历史会增强冷却的冷效应,而冷的热历史会增强变暖的热效应。相对于年轻人,老年人受短期热经历的影响更小。不论是老年人还是年轻人,其冷热工况存在着不对称性,年轻人的差异显著,且温度下降对人员的热感觉影响更加剧烈。最后建立了基于机器学习算法的老年人热舒适预测模型。本研究提出了两种机器学习数据驱动模型来预测人员在建筑环境中的热感觉,第一种模型详细地考虑了热感觉的影响因素,输入特征为:年龄,性别,BMI,热经历温度,温度变化方向,以及头,胸,上臂,下臂,手,大腿局部皮肤温度。第二种模型基于实际应用,利用了红外阵列传感器探测到的额头温度,手背皮肤温度,以及年龄与BMI作为特征来导出简化模型。第一种模型的总体预测精度达到了82%,该模型的机器学习算法为Subspace KNN（K最近邻）。第二种少特征热感觉预测模型的预测精度达到了74.4%,此时最优机器学习算法为Random Forest（随机森林）。本研究提出的热舒适预测简化模型,可以基于人员的客观参数以及红外传感器探测的实时皮肤温度,有效地预测老年人热舒适,结合暖通空调系统的自动调节系统,为老年人室内热环境的营造提供技术措施。