高剪切混合器（HSM）作为一种新型的过程强化设备,工业应用日益广泛。虽然基于计算流体力学的设计方法已经被用于高剪切混合器的设计,但是在处理两相体系时,依然存在计算精度和速度不能满足工程设计的问题,其工程设计依然依靠经验放大。近些年来,基于大数据的机器学习飞速发展,机器学习建模方法越来越多地应用于模型预测及系统优化,显示出明显的优势;而HSM的相关研究也积累了一定数据。因此,本文尝试将机器学习用于HSM性能预测与优化,以为工业过程的HSM设计提供新的工具。首先,利用不同定转子构型的连续式HSM的功耗、液-液传质和乳化性能等数据,采用多种机器学习算法对数据进行分析建模。通过将不同机器学习模型融合进一步提高了模型精度和稳定性。经过模型融合后,模型预测乳化液滴尺寸的最大相对误差由12.10%下降至9.97%,平均相对误差由4.44%下降至2.69%。为了获得最优的乳化性能,利用融合模型对HSM的操作与结构参数进行优化设计。最佳参数组合为:定转子剪切间隙0.5 mm,转子层数3层,转子叶片数9个,15°的弯曲叶片,在3500 r·min-1时,可以获得最小的液滴尺寸。其次,对齿合间歇式HSM强化快速竞争反应过程进行了研究,建立了描述主反应产物选择性（Ys）的机器学习模型,利用实验数据拟合公式获得了模型参数,模型预测值的平均相对误差为9.15%。使用决策树分类算法对齿合间歇式HSM Ys模型影响大小排序,在实验条件下,各个特征对齿合间歇式HSM Ys影响程度为:流体流速＞转子转速＞流体输送管内径＞流体流出角度。使用决策树分类算法对间歇式HSM流体净功耗进行了模型建立与影响大小排序,在实验条件下,对间歇式HSM流体净功耗影响程度为:转子转速＞流体粘度＞转子叶片倾角＞转子外径。综上所述,机器学习的方法可以用于高剪切混合器的结构设计与性能优化,为工业过程的高剪切混合器的设计提供了兼顾预测精度和计算时间的新工具。