对数据中心温度场进行快速而准确的预测,进而实现空调系统的优化控制是数据中心节能的关键所在。本文以某数据中心机房为研究对象,通过计算流体力学（CFD）模型建立、多参数本征正交分解（POD）模型建立、POD模型泛化能力改进、机柜局部热点温度反演模型建立和空调优化控制策略验证等环节开展数据中心热环境快速预测及空调优化控制的研究工作。首先,建立了数据中心机房CFD模型,对数据中心机房热环境进行数值模拟,采用移动式温度采集系统实测典型位置温度分布,将CFD模拟与实验结果进行对比,结果表明,机柜进出风平面测点的相对误差均在±20%以内,验证了CFD仿真模型的准确性。其次,建立了多参数POD降阶温度场预测模型,采用反距离加权（IDW）算法插值计算泛化状态下POD模态系数,基于POD-IDW模型预测机柜进出风平面的温度场分布。与CFD仿真结果对比表明,POD降阶模型能够快速预测数据中心温度场分布。再次,建立了基于深度学习的深度置信网络（DBN）模型,对POD模态系数计算方法进行了改进。在此基础上,提出了利用分析误差替代POD预测误差的方法,分别利用网格搜索法和粒子群寻优算法对内插和外推分析误差中的经验参数求解,在POD-DBN模型预测结果的基础上进行误差补偿。与POD-IDW模型相比,在内插泛化时,基于误差补偿的POD-DBN模型,平均相对误差降低至1.5%以内,平均绝对误差降低至0.3℃以内;外推泛化时,平均相对误差降低至7.5%以内,平均绝对误差降低至1.5℃以内。最后,建立了机柜内局部热点温度反演的渐进梯度回归树（GBRT）模型,并分析了机柜进出风平面输入选取方式对GBRT模型反演结果准确度的影响。结果表明,当采用5个机柜进风面测点温度、10个机柜出风面测点温度作为GBRT模型输入项时,模型反演准确度最高。基于机柜内局部热点温度,提出了两种空调送风温度优化控制策略,优化控制策略一以空调送风温度为单一优化变量,优化控制策略二为机柜功率分配和空调送风温度的协同优化控制。采用CFD模型对两种优化控制策略进行仿真验证。与常规控制策略的对比验证结果表明,优化控制策略一提高了能量利用系数,但对热环境均匀性改善一般;优化控制策略二显著地提高了机房整体热环境和机柜局部热环境的均匀性,同时,有效地提高了能量利用系数,节能效果更加显著。