利用多孔吸附材料进行气体分离在工业生产中有着广泛且重要的应用,为了实现高效气体分离需要开发兼具高负载量和高选择性的吸附材料。无定型碳具有较大的比表面积、稳定的理化性质和低廉的生产成本,是工业上常用的吸附分离材料。但碳材料的微观无序性,使得在原子层面研究其性能与结构之间的关系较为困难,开发满足一定需求的无定型碳材料仍然是一个不断试错的过程。将高通量计算与机器学习技术相结合,可以高效探索潜在的材料相空间,并对大量数据进行分析,从而揭示材料构效关系,提升研发效率。本论文将混合逆蒙特卡洛方法与分子动力学模拟相结合,实现了氮掺杂无定型碳模型的快速构建。以能源领域重要的天然气精炼体系（二氧化碳/氮气/甲烷混合气）为典型研究对象,根据巨正则系综蒙特卡洛模拟和理想吸附理论,计算了二氧化碳、氮气、甲烷三种气体小分子在大量无定型碳结构中的吸附分离性能。使用机器学习技术分析了多种结构特征与气体吸附量和混合气体吸附选择性之间的关系,发现无定型碳的平均孔径和比表面积是影响吸附分离性能的主要因素,氮的掺杂量为次要因素,高吸附量和高选择性难以同时实现,具有大比表面积、孔径接近气体分子直径的无定型碳材料可望具有较好的吸附分离性能。