材料导热物性参数的准确测量对以能源动力为基础的电子、建筑、航空航天等领域都具有重要意义。目前常用的测量导热系数的方法有热线法和平面热源法(TPS),由于基于探头三维模型直接对导热微分方程进行求解的计算量很大,且得不到解析解,因此这两种方法均未考虑探头的三维几何效应,热线法将探头简化为无限细,TPS法将探头简化为无限薄,并且忽略了探头热容;另外,这两种方法均只能较为准确地获得材料导热系数K,对热扩散系数?的测量误差往往能达到一个数量级以上。针对上述问题,本文提出一种全三维数值模拟与机器学习相结合的测量材料导热物性参数的新方法。该方法基于全三维传热模型的数值解,充分考虑了探头的三维几何效应,且探头形状并不局限于TPS法的圆盘结构,可以为任意形状;另外,数值模拟与机器学习相结合,既可以有效地解决直接求解全三维传热模型导热微分方程计算量大的问题,又能保证计算精度;不仅如此,该方法可以同时较为精确地得出材料的K与?,大大简化测量过程。为给机器学习模型提供学习训练数据,本文建立了不同K与?下加热探头的瞬态温升-时间数据库;为机器学习模型对材料导热物性参数的预测提供实验数据,本文研制了导热系数测量仪,分别测量了三种标准材料(石英玻璃、SUS304不锈钢以及45号钢),获得了各自加热探头的瞬态温升数据。本文对加热探头进行了设计,建立了导热物性参数测量仪的全三维传热模型(包含底座、加热探头以及被测材料),基于有限体积法求解其温度场,从而建立了加热探头的瞬态温升-时间数据库。本文利用金属的电阻随温度线性变化的特征将加热探头的温度信号转化为电信号,通过四线法测电阻求得加热探头的电阻温度关系式,结合导热物性参数测量仪的恒功率电路结构反推出加热探头的瞬态温升。在上述工作的基础上,基于BP神经网络分别建立预测K与?的机器学习模型:神经网络1与神经网络2。利用加热探头瞬态温升-时间数据库中各个K下探头的平均温升对神经网络1进行训练;在每个K下,将数据库中由探头瞬态温升组成的向量X作为输入,?作为输出,对神经网络2进行训练。将实验测量的三种标准材料下加热探头的瞬态温升作为输入,分别调用训练好的神经网络1、神经网络2,获得三种标材K、?的预测值。结果显示,在大部分情况下,该方法对K的预测误差小于10%,对?的预测误差小于30%。