在能源动力、微型电子技术、军工核能等工程领域,存在许多亟需解决的换热问题。随着微纳米科学技术的发展,越来越多的高效换热工质和结构,如纳米流体和微通道结构,被应用于对流换热过程中以快速去除换热设备的多余热量。但是,纳米流体和微通道传热性能,受诸多因素影响。因此,完善混合纳米流体导热系数和微通道结构的建模方法具有重要的工程应用价值。本文采用实验、模拟与理论相结合的方法,根据混合纳米流体导热系数实验数据和微通道结构的模拟值,引入机器学习（Machine Learning,ML）中的人工神经网络（Artificial Neural Network,ANN）和多目标遗传算法（Multi-Objective Evolutionary Algorithm,MOEA）分别对其构建数学模型及优化,为微纳米强化传热研究提供理论基础。主要包括以下三个方面内容:（1）采用两步法制备质量分数为1%的Cu-Al₂O₃/水-乙二醇混合纳米流体,研究其稳定性和导热系数的影响因素。通过沉淀法和电子透射电镜法（TEM）分析了影响混合纳米流体稳定性的重要因素。结果表明,当基液中水与乙二醇的质量比为50:50、超声时间是30min时,混合纳米流体稳定性最好;同时,其导热系数随着纳米颗粒体积分数、混合比和温度升高而增大。（2）采用人工神经网络对混合纳米流体进行数学建模并优化。以混合比和温度为研究对象,分别用BP神经网络（BPNN）、遗传算法优化BP神经网络（GA-BPNN）、径向基神经网络（RBFNN）、思维进化算法优化BP神经网络（MEA-BP）预测Cu-Al₂O₃/水-乙二醇纳米流体导热系数变化规律,并与多元线性回归（MLR）模型作对比。研究发现,这五种模型的确定系数（R²）和均方根误差（RMSE）分别为0.0035、0.9983;0.0034、0.9995;0.0048、0.9974;0.0031、0.9997;0.0107、0.9984。其中,MEA-BPNN模型的预测精度最高,说明此算法能够有效实现混合纳米流体导热系数的数据驱动建模。（3）以圆形凹穴及内肋微通道的结构参数为自变量,传热效率和压降作为研究的因变量,采用Fluent软件模拟30组任意凹穴及内肋高组合的微通道,用多目标遗传算法（MOEA）构建微通道结构优化的数学模型。研究结果表明,与参考通道作对比,采用优化后的微通道结构（e₁=0.0368mm,e₂=0.0193mm）的温度场分布更均匀,综合传热性能更优（强化传热因子η=1.23）。