根据《“十四五”城镇生活垃圾分类和处理设施发展规划》,未来五年我国生活废弃物焚烧处理规模和能力都会出现跨越式的增长,焚烧过程中产生的烟气中氮氧化物的控制与排放量优化是废弃物焚烧企业亟待解决的核心难题之一。氮氧化物浓度目前可通过国家订制统一标准的CEMS系统进行直接且实时的监测和数据追踪,通过利用这样的一手数据库,探索建立氮氧化物浓度在整个焚烧系统工作条件下基于机器学习算法的预测模型,对烟气污染物中氮氧化物浓度进行预测、控制和优化,有益于生态环境和人体健康。相关领域的现有研究对此问题已经做出了较为详细和多样的分析,但是仍然会受到小样本数据、单一模型或主观维度陷阱等因素的不利影响,本研究通过收集大量一手实时数据,在考虑焚烧系统瞬态条件的前提下进行特征变量选择、建模及对比分析,为相关领域提供新的解读视角以及补充说明。本研究针对华南某生活废弃物焚烧厂进行了超过50小时、间隔为10秒的连续数据监测与提取,记录了整个焚烧系统工作情况与主要烟气污染物的相关在线数据,经过数据清洗后得出17047组有效数据集,总体共涉及219个特征变量以及超过370万条原始数据单元。通过最大相关最小冗余法进行30个特征变量选取后,对氮氧化物浓度分别建立多元线性回归、随机森林、支持向量机和极端梯度提升预测模型,以均方误差（MSE）和绝对平均误差（MAE）为评估指标,并用交叉验证法进行评价,得出以下结论:（1）比较了随机森林、随机森林结合逐步回归、神经网络、主成分分析及最大相关最小冗余等多种方法,结果表明在本研究范围内,采取最大相关最小冗余特征变量选择的方法筛选出的30个特征变量作为模型的输入变量效果最佳。（2）通过建立多元线性回归（MLR）、随机森林（RF）、支持向量机（SVM）和极端梯度提升（XGboost）四种模型对氮氧化物浓度进行预测。通过对比发现随机森林模型的预测MSE为0.058,MAE为0.092,从预测精度和拟合程度上来讲都是最令人满意的,两项指标的表现都优于其他模型。（3）从模型建立机理、数据样本特点、操作难易度、预测结果和未来模型优化等角度上对比讨论了本研究中各预测模型性能产生优劣的原因,说明了随机森林模型在本研究中的应用优势。并且进一步对随机森林模型进行参数调节,经过对决策树划分标准、数量、最大深度、最大特征数目、子树划分和叶子节点等相关参数的调节,最终得到了比原随机森林模型预测性能更好的新模型,其MSE为 0.042,MAE 为 0.079。