准确预测人们在建筑中的冷热需求,是暖通空调系统供需匹配和个性化运行的关键,对建筑节能和人员舒适具有重要意义。现有研究虽然采用了各类算法对个体热舒适进行建模,但目前建模方法的部署速度较慢,也很少考虑在模型训练完成后如何使用新增数据更新模型。因此本研究将采用机器学习中的增量学习算法解决以上问题,使个体热舒适预测模型能够快速部署和适应个体热偏好的变化。首先,基于朴素贝叶斯算法实现了增量式的个体热舒适建模方法。利用该算法的概率模型特性,使用数据流迭代器生成的增量数据修正模型参数。通过9位受试者在人工气候室的实验数据验证,在接收增量数据的过程中,各位受试者热舒适模型预测的热期望与真实的热期望逐渐从很低的一致性（Kappa系数接近0）上升到高度一致性（Kappa系数大于0.6）。在保持预测性能相近的条件下,本文提出的建模方法相比以往研究节省了53%左右的时间成本和90%以上的空间成本。其次,由于人工气候室实验时间跨度短,不能验证模型适应个体热舒适偏好变化的能力。因此在真实办公环境中进行了为期一年的实测,采集了12位受试者的热舒适数据（包括环境参数、行为参数和主观热反馈）。通过统计分析,本文证明了受试者在不同季节的热舒适偏好是存在差异的。故按照季节顺序划分了办公环境热舒适数据,更新了各位受试者的热舒适模型参数。模型在测试集的预测结果表明,采用下一季节数据更新模型参数,可以显著提高模型的预测性能。受试者模型的平均Kappa系数达到了0.41,基本与真实结果保持中等的一致性。最后,基于个体热舒适模型的预测结果,以人员适应环境、避免能源浪费为原则提出了单人环境的热舒适调节方法。同时以多人共享环境中所有人员都感到舒适的概率最大化为原则,提出了共享环境的温度调节建议。在对办公环境数据集的测试过程中发现,通过人体的自适应能力和暂时关闭空调可以改善28%左右的不适状态。而多人共享环境的调节方法则可以兼顾到大部分人的温度偏好,最大概率保证了每个人都处于舒适状态。此外,还将个体热舒适建模和调节方法集成到了一款用户界面中。为以后个体热舒适模型应用于实际空调系统提供了控制接口。