在新型冠状病毒肺炎肆虐全球的特殊年代,各地区不断完善居家隔离和交通管制防疫措施,由此产生室内环境加剧损害人体健康的问题。通常建筑物安装室内环境监测系统以提高能源效率,确保良好的人体健康和安全,并促进数字孪生建筑的发展。建筑物只能安装少量传感器,所以室内环境监测系统只能感应传感器安装位置的具体信息。如何快速精准的预测室内全空间的环境因素（如湿度）是目前亟待解决的问题。基于计算流体动力学的快速预测模型,需要保持实时性与准确性的平衡;基于空间插值的方法由于受限专家经验,导致了插值结果准确率低;基于机器学习的方法存在事先对室内环境案例训练等问题,只能在指定的应用环境中使用这些训练后的模型,导致模型的预测性能会随着室内环境条件的变化而降低。针对建筑室内难以实时、准确地预测整个空间环境信息的问题,本文提出一种基于机器学习的室内状态实时预测方案,称为ML-PIS。该方案首先构建一个空间图模型来表示任意两个空间位置之间的相关性,然后设计交叉样本训练算法,学习空间图模型中监测位置的系数,进而预测室内任意位置的状态值,最后在真实场景中布置底层传感器组,以真实可靠的数据多方面评估了所提方案的性能。主要研究内容和成果包括:（1）设计基于STM32的室内状态感知系统。针对室内多区域状态数据难以实时采集的问题,本文开发了室内状态感知系统。该系统实现了实时采集室内状态的环境数据信息,具有便捷性、可靠性和稳定性,为所提拟的方案奠定了室内真实状态数据验证基础。（2）提出室内状态预测的空间图模型。针对大部分室内环境监测位置与未监测位置之间的权重表达方式单一的问题。本文提出监测位置对未监测位置带有不同程度的影响因子,以多维度构建室内空间图模型,可以有效表征多区域间的相关性。（3）提出一种基于空间图模型和机器学习的室内状态预测方案。针对反距离加权插值（Inverse Distance Weighted,IDW）的幂函数p难以准确应对复杂多变的室内状态环境问题。本文将专家经验固定的p变化为可以学习优化的可变因子,同时使用交叉样本学习算法计算出实时最优可变因子数值,以提高其在室内状态环境的自适应性。基于室内状态感知系统,本文设置多种评价指标对室内状态环境进行全空间的实验验证。室内环境监测系统可以不间断采集环境数据作为ML-PIS的训练样本,使得本文方法有效克服模型局限于指定的应用环境,同时也为数字孪生建筑提供更准确的室内环境信息。