随着生活水平的不断提高,人们对室内环境品质和人体舒适度的要求也是越来越高,而现如今室内环境的调节主要是通过空调控制来实现。传统的空调控制系统都是以温度为控制参数,忽略了室内其他环境和非环境因素对人体舒适度的影响,所以很大程度上满足不了人们的舒适度要求,因此,研究室内热舒适度的有效控制已迫在眉睫。本文采用室内人体热舒适度指标(Predicted Mean Vote,PMV)作为控制对象,利用改进的优化算法搭建PMV指标预测模型,设计了基于该模型室内参数优化的区间PMV控制策略。本文首先阐述了机器学习、人工神经网络和数据分析理论等方面的相关理论知识,重点对室内环境热舒适度的概念做了详细介绍,给出了用于计算室内舒适度的PMV数学表达式。其次,提出了改进的粒子群引力搜索混合算法,旨在优化前向神经网络,构造PSOGSA-FNN预测模型。通过设计对比实验,验证PSOGSA-FNN在数据预测中有很好的优势,也进一步说明本文改进的算法模型存在实际的应用价值。再次,利用PSOGSA-FNN建立室内环境PMV实时预测模型,针对实验中获取的模拟数据做了大量关于模型训练和测试的实验,分析实验运行结果,肯定了 PMV预测模型的可行性。最后,在获取的PMV预测模型基础上,设计了室内舒适度参数优化的区间PMV控制策略,并做了相关分析实验。研究表明,基于本文改进的PMV预测模型而设计的室内环境舒适度的区间控制策略,在实验环境下所取得的效果极佳,不仅满足了人体对室内舒适度的要求,更是提供了动态、周期循环的健康生活环境。