高层建筑具有既高又柔的特性,因此对风荷载比较敏感。在对高层建筑进行结构抗风设计时,往往需要对缩尺的高层建筑模型进行风洞试验,以获取其表面风压系数。在进行风洞试验时,需要在模型表面布置大量的风压测点,从而测得相应的风压数据。然而,受仪器设备数量的限制难以保证布置足够多的测压点。因此,如何准确预测出未布置风压测点的风压数据显得尤为重要。本文利用决策树、随机森林、支持向量回归和深度神经网络等多种机器学习算法,对未布置测点的平均风压系数、脉动风压系数和脉动风压功率谱进行预测。本文主要研究内容如下:首先,利用日本东京工艺大学风洞实验测压数据库选取的一栋缩尺矩形截面类高层建筑模型的表面风压时程相关数据,计算出各个测点的平均风压系数。将测点坐标（X,Y）、测点所在面编号、风向角作为模型的输入,平均风压系数作为模型的输出,分别建立四种机器学习模型（决策树、随机森林、支持向量回归和深度神经网络）。分析比较四种机器学习算法对平均风压系数整体的预测结果、同一风向角下各测点的预测结果、不同测点位置的预测结果。其次,利用同样的高层建筑模型表面风压时程数据,计算出各个测点的脉动风压系数。将测点坐标（X,Y）、测点所在面编号、风向角作为模型的输入,脉动风压系数作为模型的输出,分别建立四种机器学习模型（决策树、随机森林、支持向量回归和深度神经网络）。分析比较四种机器学习算法对脉动风压系数整体的预测结果、同一风向角下各测点的预测结果、不同测点位置的预测结果。最后,在此基础上根据各个测点的风压时程数据,通过傅里叶变换计算出各个测点的脉动风压功率谱。将测点坐标（X,Y）、测点所在面编号、风向角、频率作为模型的输入,其所对应的脉动风压功率谱作为模型的输出,建立深度神经网络模型。分别分析和讨论0°、15°、30°和45°风向角下,采用神经网络模型对未知测点的脉动风压功率谱预测结果。预测结果表明,四种机器学习算法都可以大致预测出高层建筑模型的平均风压系数和脉动风压系数,但不同算法、不同测点位置,预测结果有所差异。深度神经网络预测结果最为稳定和精确,随机森林算法预测精度稍低,决策树算法和支持向量回归算法预测结果波动性较大。总体来说,四种算法对中间点的预测精度要高于边点的预测结果,边点的预测结果则比角点的预测结果精度要高。深度神经网络算法能够较为准确地预测脉动风压功率谱,不同测点位置,预测结果有所不同。对中间点和边点的预测结果明显优于角点的预测结果。