随着全球气候变暖问题的不断加剧,为减少大气中CO2的排放量,研究者们不断开发着具有经济价值和能源效率的碳捕集工艺。基于变压吸附（Pressure Swing Adsorption,PSA）技术的碳捕集已成为一种很有前途的方法,它被普遍应用于燃烧后烟道气中的CO2/N2分离及天然气净化的CH4/CO2分离等气体分离场景中。然而基于吸附过程的气体分离过程需要高性能吸附材料的支持,其中沸石因具有独一无二的骨架结构和孔道体系,在该领域中获得广泛应用。在对沸石吸附材料进行筛选时,目标气体的单组份吸附等温线往往是唯一可以获得的信息,然而当前的吸附等温线测定方法主要依赖于实验法和分子模拟方法,两种方法均需要耗费大量的时间与计算成本。随着计算机技术的飞速发展,机器学习（Machine Learning,ML）愈来愈受到人们的关注,ML能够基于已有数据建立沸石的结构-吸附性关系（Structure-Adsorption Relationship,SAR）,从而更加方便、快速地预测吸附等温线。因此,采用ML方法并结合合适的筛选策略可省时并高效地发现和设计出性能优异的沸石吸附材料。文中将阐述如下内容:（1）引入一种能够表示沸石骨架结构的天然构造单元（NBU）作为结构描述符,通过ML将结构描述符与吸附特性相关联。在采用ANN作为ML模型时,基于其超参数组合爆炸的问题,使用了贪心式调参策略来加快模型训练和测试效率,并避免模型出现过拟合。最后验证了ANN模型的性能,确保模型能够用于燃烧后烟道气中的CO2/N2分离及天然气净化的CH4/CO2分离的沸石吸附材料筛选。（2）建立基于机器学习（ML）的沸石吸附材料筛选框架。该框架首先计算沸石的NBU描述符,然后用ML模型预测沸石的纯组分吸附数据,并通过理想吸附溶液理论（IAST）将其转化为能够精确表征气体分离问题的混合物吸附数据。最后通过吸附材料评估指标来选择候选沸石材料并验证。本文以CO2/N2分离为例,分别从IZA-SC数据库（194种沸石材料）及假设沸石数据库（504种沸石材料）中筛选得到了11种及7种满足所有吸附材料指标约束条件的候选沸石材料,验证了框架的实际可行性。（3）提出基于机器学习（ML）与理想化PSA的沸石吸附材料筛选框架,该框架在前文框架的基础上增加了理想化PSA工艺模型的性能指标,进一步对沸石材料进行筛选。这是因为吸附材料评估指标仅能从材料本身的性质出发来进行材料筛选,无法准确预测吸附材料在PSA工艺中的适用性。基于理想化PSA工艺模型筛选沸石材料包括利用IAST预测混合物气体吸附数据、根据吸附材料评估指标初步筛选沸石材料、基于PSA工艺模型性能指标选择最佳候选沸石并验证。该框架被应用于4组摩尔组成（20%、30%、40%、50%CO2）下的CH4/CO2分离中,成功地从IZA-SC数据库及假设沸石数据库中筛选得到了符合要求的最佳沸石材料,证明了框架的有效性。