苯乙烯-甲基共聚物（Styreneic Methyl Copolymers,SMC）常温改性剂是由交通运输部科学研究院研发的一种新型的常温改性材料,亦是一种新型环保道路材料,它是以从废旧橡胶、废旧塑料等甲基苯乙烯类高分子材料中提炼出来的甲基苯乙烯类嵌段共聚物为主要原料的聚合物溶液,因改性工艺简单和绿色环保等优势,近几年在我国引起一些学者的关注,目前,SMC改性沥青及其混合料性能研究及应用方面取得了较好效果,但与SBS复合改性沥青及其混合料的性能研究还不深入,SMC改性剂能改善混合料的低温性能,而对复合改性沥青混合料的力学性能和耐久性能还有待进一步研究。本文以SMC常温改性剂对苯乙烯-甲基共聚物/SBS复合改性沥青（SMC/SBSCMA）及其混合料的性能研究为主旨,选择4%SBS不变,研究SMC掺量对复合改性沥青高低温性能及其混合料力学性能和疲劳性能的改善作用;同时,SMC的加入可以降低沥青施工拌和、压实温度,能节省资源、保护环境和减少投资;另外,基于机器学习模型对复合改性沥青混合料动态模量、相位角和疲劳寿命的预测提出新思路。主要的研究工作和内容如下:首先,不同SMC掺量的SMC/SBSCMA常规性能及高低温性能研究。通过Brookfield旋转黏度试验得到黏温曲线,分析掺量8%、10%、12%和14%的SMC/SBSCMA的拌合温度和压实温度都较SBS改性沥青（SBSMA）低50℃～60℃,对节能减排、低碳环保具有积极的意义;10%和12%掺量的SMC/SBSCMA的PG等级可以达到PG64-34,而SBSMA的PG等级为PG64-28,SMC/SBSCMA的温度适用范围更宽,低温性能优于SBSMA,能满足-34℃路面最低设计温度。综合SMC/SBSCMA的常规性能及高低温性能,认为SMC掺量10%相对最佳。借助扫描电镜（SEM）技术、傅里叶变换红外光谱技术和扫描电镜-能谱（SEM-EDS）等微观分析技术,发现SMC和SBS改性沥青混合后能充分融合,且只发生简单物理反应,未有新物质生成。其次,SMC/SBSCMA混合料粘弹力学特性研究。基于动态模量试验,以Sigmoidal模型为基础,根据近似Kramers-Kronig关系,在保证主曲线模型都具有相同移位因子的前提下,构建了不同掺量SMC/SBSCMA混合料和SBSMA混合料频域主曲线模型。基于Prony级数获得离散谱,进一步得到各沥青混合料的时域主曲线。通过各沥青混合料频域、时域曲线比较得出:低温高频条件下SMC/SBSCMA混合料的动态模量值小,柔性好,迟滞现象突出,且SMC掺量越大动态模量值越小,说明SMC/SBSCMA混合料低温抗车辆荷载冲击性能,及抗振、降噪的效果好于SBSMA混合料,同时SMC掺量越大,低温抗裂性能越好;SMC改性剂的加入,使混合料的松弛模量降低、蠕变柔量增加,低温短时下,12%SMC/SBSCMA混合料的松弛模量最小而蠕变柔量最大,其次是8%SMC/SBSCMA混合料,说明SMC/SBSCMA混合料低温抗裂性能好,但综合高温性能,SMC掺量选择8%～10%之间为宜。接着,SMC/SBSCMA混合料动态模量和相位角机器学习本构模型的研究。构建了不同SMC掺量、不同温度、不同荷载频率为特征参数的SMC/SBSCMA混合料动态模量和相位角机器学习本构模型。并展开了多模型对比评价,同时与Sigmoidal（S型）本构模型预测|E*|值进行比较,用均方根误差（RMSE）和决定系数（R~2）进行模型性能评价,分析确定本构模型的基本形式。结果表明支持向量机（SVM）本构模型既能满足考虑所有参数影响的工程实用性,精度又是最高的,验证其动态模量|E*|预测结果（RMSE=302.1494,R~2=0.9897）和相位角预测结果（RMSE=1.5239,R~2=0.9229）,预测效果最好,具有快速建模和较强的工程实用性特点。然后,研究SMC/SBSCMA混合料的抗疲劳性能。对不同SMC掺量的SMC/SBSCMA混合料试件,实施半圆弯曲（SCB）沥青混合料疲劳试验,比较和分析不同SMC掺量、不同油石比、不同应力比以及不同荷载频率等因素条件下对试件疲劳性能的影响,并建立现象学疲劳方程,找到最优抗疲劳因素条件。并结合图像处理技术进行SMC/SBSCMA混合料疲劳开裂行为演化。结果发现:传统的疲劳方程体现单一因素评价疲劳寿命-应力比（应力幅值）规律,所有拟合方程的决定系数R~2≥0.877;综合分析得到SMC掺量为10%、油石比4.3、荷载频率15Hz时的疲劳寿命最大。最后,基于粒子群优化的支持向量机（PSO＿SVM）疲劳寿命预测模型研究。根据SCB试验和PSO＿SVM模型特点并结合传统的疲劳方程预估模型确定模型特征参数,提出了以SMC掺量、油石比、应力比、荷载频率为特征参数的SMC/SBSCMA混合料疲劳寿命PSO＿SVM预测模型。SCB试验数据70%作为训练样本,采用粒子群算法（PSO）优化支持向量机（SVM）模型的最优超参数惩罚因子C、宽度ε和核函数参数g,构建PSO＿SVM预测模型。并与其他机器学习模型比较,通过对随机选用的30%测试研究样本的实测值与预测值误差分析,验证PSO＿SVM预测模型切实可行,对SMC/SBSCMA混合料的疲劳寿命有良好的预测性能。另外,PSO＿SVM模型的决定系数指标R~2达到0.9792,大于传统现象学法的疲劳方程的决定系数最小值0.877,评价结果更为准确。PSO＿SVM模型经过验证,可用于SMC掺量、油石比、应力比、荷载频率为特征参数的SMC/SBSCMA混合料疲劳寿命预测,具有较高的模拟精度与快速工程应用特性,为混合料疲劳寿命预测提供了新的方法与手段。