随着工业的发展,噪声的处理要求也越来越高,各式各样的模型也越来越复杂。声学理论模型一般常使用理论方式建模求解,但是对于复杂环境中的特殊模型来说,构建模型难度大,计算结果存在误差。使用仿真软件构建的模型则克服了这一问题,通过仿真软件可以求解复杂模型,并得到该模型较为精确的解,但是建模过程中也需要不断地调试。在一些特殊模型情况下,仿真计算会需要大量的时间和复杂的模型。在一些普通的情况下,使用仿真模型对材料吸声性能要求不高或者需要不同材料进行比对的情况下选取特定的声学结构,需要构建不同的模型。在这种情况下建模调整会需要大量的时间,需要不断地调试和修改。如何快速的、准确的对特定声学环境选取特定的声学结构模型是本文的主要研究方向。随着大数据的建设和人工智能的发展,机器学习中出现了一大批用于数据预测的算法和神经网络,为克服复杂物理模型提供了新的方法。常用于数据预测的机器学习有BP神经网络和随机森林等多种方法,本文使用这两种模型和改进方法对声学空腔吸声覆盖层的吸声性能做预测。本文主要工作如下:利用仿真软件构建模型,将模型结构参数（空腔结构的参数值）和模型材料参数（橡胶的杨氏模量、密度、泊松比和损失因子等）利用范围随机取值的方法构建输入参数集,将模型所具有的声学反射系数作为输出集,利用输入参数集和输出参数集构建样本集。本文创建的样本集可细分为均匀参数创建和随机参数创建,同时对声波斜入射和声波垂直入射也创建了随机样本集。在机器学习方面,本文提出了基于BP神经网络、遗传算法优化的BP神经网络和随机森林回归预测模型等三种预测模型,分别对声学空腔吸声覆盖层的声学反射系数进行预测。通过分析结果可得:第一:相比于BP神经网络,GA-BP在小样本集中的表现较好,具有节省时间的好处,相似度也高。第二:在小样本集的情况下使用均匀参数样本集的预测效果比使用随机参数样本的预测效果差,随机样本集更能表征声学结果的特点,预测结果更符合仿真结果。第三:在大样本集的情况下,BP神经网络和GA-BP神经网络并没有很大差别,随机森林预测模型的预测效果更优,基本吻合解析解。第四:在声波垂直入射和声波斜入射的情况下,使用随机森林进行预测,取得的预测结果表明并没有明显差别,表明预测模型对于声学吸声覆盖层的预测是具有通用性的。第五:整体的预测结果均在95%以上,表明了预测结果对于曲线的吻合效果较好,已经初步达到了研究的期望标准。证明了预测模型对于样本集的预测是可行的。