随着制冷系统系统复杂程度的提高,如何建立高精度、高效率的制冷系统模型已成为该领域研究热点。在研究并改进基于统计学习理论的新一代机器学习技术的支持向量机算法（Support Vector Machine, SVM）的基础上,本文针对制冷陈列柜系统的建立模型、实验研究及其性能预测优化等方面展开了一系列的研究工作,主要体现在以下几个方面:针对已有预测优化模型的通用性不足,模型建立需要较强的技巧,特征向量的选择需要较深的专业背景知识的问题,以及在处理小样本问题上的不足,提出了泛化性能强、处理小样本能力突出的机器学习方法SVM。利用支持向量机理论,建立了蒸发器结霜的支持向量机性能预测模型。建立的蒸发器结霜的支持向量机性能预测模型与实验结果符合较好,总热流量、单位面积的霜层质量和霜层厚度的平均绝对百分数误差分别仅有1.82%、2.65%和5.15%。通过敏感性分析得出结论:改变工况参数对霜层增长（单位面积的霜层质量和霜层厚度）的影响要比对热流量产生的影响要大。在建立的支持向量机模型的鲁棒性分析中,在模型的输入样本和输出样本分别或者同时加入高斯噪声,模型显示较强的抗干扰能力,并且在对模型的输出样本增加噪声时,模型表现出的影响较大。搭建了制冷陈列柜性能测试实验台,并分别对水冷工况和风冷工况下制冷陈列柜进行了实验测试,利用热力学原理和实验结果分析了影响制冷陈列柜性能的主要参数。针对水冷制冷陈列柜系统的制冷剂循环,分别从理论分析并实验验证了在冷凝压力一定的情况下,饱和蒸汽温度T_es、制冷陈列柜进、出口温度T_in、T_out和制冷剂流量q_m共同表征制冷陈列柜的制冷耗电量REC。针对水冷制冷陈列柜系统的空气循环（风幕系统）,分别从理论分析并实验验证了在冷凝压力一定的情况下,饱和蒸汽温度T_es、室内环境温度T_a、相对湿度h_a、送风温度T_s、回风温度T_r、蜂窝网直径D和蜂窝网角度θ共同表征制冷陈列柜的制冷耗电量REC。针对风冷制冷陈列柜系统,分别从理论分析并实验验证了对于变冷凝工况或压缩机转速的情况下,饱和蒸汽温度T_es、冷凝器进风温度T_cin、压缩机转速N、制冷陈列柜进、出口温度T_in、T_out和负载包平均温度T_M共同表征制冷陈列柜的制冷耗电量REC。针对原始的SVM在复杂制冷系统建模中难以取得较高的精度,以及在实际应用中一些关键参数（惩罚系数、不敏感损失系数、核参数等）难以确定的情形,对算法进行了改进。在总结应用蒸发器结霜模型的基础上,建立了改进的变冷凝工况的制冷陈列柜系统的支持向量机回归能耗预测模型,并就支持向量机模型与BPNN模型在预测能力上进行了对比分析。针对制冷陈列柜系统本身及运行条件的复杂性,以及输出样本和输入样本中存在较大的干扰,对支持向量机模型的输入样本进行预处理,并对其主要参数进行修正和改进,建立了自适应支持向量机（ASVM）的变冷凝工况制冷陈列柜系统能耗预测模型。与BPNN模型相比较,建立的制冷陈列柜ASVM模型与实验结果的符合更好,T EC / TDA的预测精度小于5%。抗干扰性实验表明建立的制冷陈列柜EWMA-ASVM模型比原本的SVM模型抗干扰能力更强。通过建立的预测模型控制变冷凝工况制冷陈列柜的运行参数,经实验验证,可以使制冷陈列柜的单位展示面积每日耗电量减少20.7%。针对制冷陈列柜系统优化过程中的目标函数复杂,优化参数间具有明显的非线性,传统设计和实验方法耗时、耗力较大的难题,引入了改进的双流体模型（MTF）以及ASVM算法,建立了陈列柜的性能预测方法,利用实验数据对优化结果进行了验证和评估。结果表明:在优化工况下,陈列柜融霜后的凝结水质量和电能消耗分别减少39.2%和19.3%。此外,通过制冷陈列柜系统的建模和实验结果,得到了关于制冷陈列柜控制的一些主要结论。