粘性土是很多工程不可避免的地基土,其变形和强度被学者广泛关注。压缩指数Cc作为最常用的变形指标之一,常被用于评价土体变形、计算地基压缩变形。土体应力应变曲线是反映其变形和强度特性的重要依据,也是研究其力学本构关系、计算模型参数的数据基础。但由于原状土取样困难且很难开展变形试验,因此开展变形和强度的统计工作具有重要意义。针对粘性土的变形和强度指标预测的地域局限性、原状土变形试验难以开展、工程土体信息匮乏等问题,本文结合中央高校基本科研业务费资助项目（DUT21TD106）开展研究。基于大量现有粘性土变形和强度试验数据,分别建立了不同物理指标与压缩指数、应力应变曲线的经验关系式,可以通过物理指标快速获取相应的压缩指数和应力应变曲线,为岩土工程数字化奠定了基础。本文的主要研究内容如下:（1）收集并整理了已有文献中12个不同地区的706组粘性土压缩指数与各物理指标的试验数据,基于此进行不同物理指标（wL、e0、IP、wn、γd）与压缩指数Cc的相关性分析。相关性分析结果表明:wL、IP与Cc的相关系数处于0.75左右,属显著相关;e0、wn、γd与Cc的相关系数均大于0.90,呈高度相关,其中e0与Cc的相关性最高,二者相关系数为0.944。随后,在现有公式的基础上,提出具有地域一般性的粘性土压缩指数与多种物理指标间单参数及多参数经验回归公式,并对结果进行检验。经检验,推荐将预测精度最高的单参数（Cc～e0）及多参数（Cc～wL、e0）拟合公式作为压缩指数Cc的回归预测公式,二者的预测标准差分别为0.074、0.051。（2）利用多种机器学习算法对多参数条件下的压缩指数Cc进行预测。预测结果表明,不同参数集下各机器学习算法的预测精度有所不同。其中,基于极限学习机（Extreme Learning Machine,ELM）算法的{e0、wL、wn}参数集的预测精度最高,其预测标准差为0.023。对比机器学习算法与多元回归模型的预测精度可知:输入项个数n＜3时,两者预测精度相差不大,机器学习算法没有明显优势;当输入项个数n≥3时,机器学习算法的预测精度明显优于回归方法,体现出其在复杂多维数据处理方面的优势。因此当数据量较大,输入输出参数项较多时,推荐采用机器学习算法作为一种岩土参数预测工具。最后,给出了不同机器学习算法的网络结构及训练参数,可利用本文数据集实现压缩指数Cc的预测。（3）收集并整理43篇文献中28个地区的粘性土在固结不排水三轴试验条件下共173组应力应变曲线,分别建立了正常固结饱和原状粘性土、重塑粘性土的塑性指数IP与强度的指数函数表达式;基于收集到的正常固结饱和粘性土在固结不排水三轴剪切试验下的应力应变曲线,选用强度（σ1-σ3）f作为归一化因子,得到了原状粘性土和重塑粘性土的应力应变曲线归一化公式。最终联立正常固结饱和原状粘性土、重塑粘性土的强度计算公式及应力应变曲线归一化公式,得到了粘性土在固结不排水三轴试验条件下的应力应变曲线拟合公式。经验证,应力应变曲线预测误差均控制在10%以内。