在消防员执行火场救援任务或日常训练中,需穿着消防服抵御外界环境危害,主要包括火焰、热辐射、磨损等。消防服通常由外层、防水透汽层、隔热层三层阻燃织物构成,其性能好坏直接关系到消防员的生命安全。然而,在消防服使用的过程中,会遭遇来自作业环境和产品维护条件等多种因素的作用,这些外界因素的作用均会导致消防服材料出现不同程度的老化,从而影响织物的性能。各种标准已明确规定了消防服性能的最低要求,但对于消防服能否持续安全使用没有明确的指导标准。因此,需要开发一种定量的方法来确定消防服的使用寿命。标准的测试方法可以准确测试消防服织物的性能变化,但由于消防服维护成本较高,因此需要探索有效的预测方法。过去的研究中,主要针对阻燃织物辐射热老化后性能的预测,方法通常集中于统计模型和经验方程的应用,但以上方法在研究多因素条件下织物性能预测时存在局限性。因此,本文提出利用机器学习的方法以弥补现有预测方法的不足,结合已有的研究选取拉伸强力作为织物热老化后的评价指标,基于多种机器学习算法建立辐射热暴露及火焰热暴露后阻燃织物拉伸强力预测模型,探索模型的适用性并进行算法优选。本文的主要研究内容与结论包括以下几点:（1）辐射热老化条件下织物拉伸强力预测方法研究基于已有的文献数据特点,选取了6种机器学习算法:梯度提升回归树（GBR）、随机森林回归（RFR）、极端随机树回归（ETR）、自适应提升树回归（ABR）、岭回归（Ridge）、套索回归（Lasso）对获得的数据建模分析,并将其与统计建模方法产生的预测结果对比。研究表明,热流密度、热暴露时间、织物克重、织物成分、织物测试的经纬向、织物厚度、组织结构作为模型的输入参数得到的机器学习模型的平均R~2和RMSE分别为0.83和135.4,高于传统统计模型的预测结果（R~2=0.45,RMSE=238.41）。在选取的6种机器学习方法中,梯度提升回归树算法（GBR）产生了最佳的预测结果（R~2=0.95,RMSE=77.42）;对模型特征重要性的分析表明,热流密度和热暴露时间是影响阻燃织物热老化后拉伸强力最重要的两个因素。在对不同变量组建模时发现,5个特征（热流密度、热暴露时间、织物克重、织物成分、织物测试的经纬向）足以使模型的产生优异的预测结果,在一定程度上可以减少收集数据的成本。（2）火焰热老化条件下影响阻燃织物拉伸强力变化的因素研究将火焰作为织物老化的热暴露条件,选取2种常用的消防服用外层织物（PBI/Kevlar、聚酰亚胺/Kevlar）,基于热重分析（TGA）、差示扫描量热分析（DSC）、电镜扫描以及织物背面温度测量实验讨论所获指标与织物拉伸强力的关系。结果表明,通过实验获得的热解温度、玻璃化温度、织物背面温度等指标以及织物微观层面纤维损伤可在一定程度上解释织物热老化后拉伸强力的降低,主要归因于织物经热暴露温度上升,使得织物纤维结构中出现炭化及裂纹,进而导致了纤维断裂。所选2种织物的玻璃化温度、热解温度相似,均表现出较为优秀的热稳定性,但表现出较为不同的老化特性,这说明在研究阻燃织物热老化后的拉伸强力变化时还需结合织物材料本身的特性。此外,对于暴露在较低热流密度水平下的织物而言,拉伸强力下降的主要原因是热暴露时间的增加。（3）火焰热老化条件下织物拉伸强力预测及温度参数影响研究基于火焰热老化及热老化后阻燃织物拉伸强力实验数据建立并验证了机器学习预测模型。结果表明,相较于人工神经网络模型（ANN）以及多元线性回归模型（MLR）,梯度提升回归树模型（GBR）具有较优的预测能力,其R~2为0.94,RMSE为71,预测误差仅在±15%以内。无论是辐射热还是火焰热老化后的拉伸强力预测,GBR模型均显示出较强的适用性。此外,温度参数（织物表面温度、玻璃化温度、热解温度）可以提高ANN模型的预测精度,但对GBR模型和MLR模型的预测性能没有明显的影响。若模型的输入参数较少或参数之间不存在明显的相关关系时,可选择MLR模型进行预测,在输入参数较少的情况下,可选择适用性较强的GBR模型。综上所述,本文基于文献数据和实验数据建立了辐射、火焰两种热老化条件下织物拉伸强力预测模型,结合火焰热暴露模拟实验获取的热老化对拉伸强力的影响机制研究,从模型预测能力、输入参数选择等方面探讨了机器学习算法的适用性。机器学习预测模型的引入,一定程度上克服了现有模型预测精度差及泛化能力弱的缺点,可为消防服的老化及安全使用寿命的预测提供新的视角和建模依据。