氪和氙是放射性惰性气体,具有很高的工业价值,利用金属有机框架材料进行氪氙吸附分离是一种高性价比的方法。目前,已经合成数十万种金属有机框架材料,如何快速地选择合适材料、减少实验次数、降低实验成本变得非常重要。机器学习方法可以快速计算材料特征和性质之间的关系,对材料的性质进行准确预测,从而在短时间内筛选出性能良好的材料。本文建立了金属有机框架材料数据库,基于机器学习方法给出了氪氙吸附分离的预测模型,并对模型进行了优化,对所提出预测模型进行了适用性检验。具体研究内容如下:（1）建立金属有机框架材料数据库并分析。数据库包含材料的物理特征、化学特征和氪氙吸附量,共计1 801条数据。运用决策树、支持向量机、随机森林和极端随机森林方法,分别对三种不同的特征描述符组合:物理结构描述符、化学结构描述符、同时包含物理/化学结构描述符建立模型。从均方根误差和平均绝对百分比误差两个维度对所有模型进行对比分析。（2）基于机器学习方法的预测模型与优化。随机森林和极端随机森林模型预测均方根误差分别为0.79、0.73,平均绝对百分比误差分别为31.33%、29.59%,在四个模型中预测精度相对较高,考虑对这两个模型进行优化。先利用网格搜索方法寻找最优超参数,再利用交叉验证来减少模型过拟合的风险。提出两个新的模型:自组织映射神经网络-随机森林模型和自组织映射神经网络-极端随机森林模型。这两种模型的均方根误差分别为0.54、0.51,平均绝对百分比误差为20.61%、17.53%。相比于传统机器学习方法,模型的预测精度均有提高,且自组织映射神经网络-极端随机森林模型预测效果最好。再对选取的特征进行重要性排序,了解影响金属有机框架材料吸附分离性能的重要特征。（3）自组织映射神经网络-极端随机森林模型的适用性。将自组织映射神经网络-极端随机森林模型代入到假想的金属有机框架材料氪氙吸附分离的体系中进行测试,均方根误差为0.56,结果较好。再将模型代入到假想的金属有机框架材料吸附二氧化碳的体系当中,筛选适合进行二氧化碳吸附的材料特征。利用机器学习方法对金属有机框架材料氪氙吸附分离选择性进行预测,可以避免仅由直觉而造成的时间和材料的浪费,对实验有非常好的指导意义。