2019年12月爆发的新冠肺炎疫情对我国经济和居民生活产生了巨大的影响,疫情期间人们外出受到限制,因此将无法实现的线下需求转移到了线上,使得我国快递业务量产生了较大的变化。本文在新冠肺炎疫情的背景下,分析了新冠肺炎疫情确诊人数在我国大陆31个省份分布的时间和空间特征,以及在新冠肺炎疫情前后我国快递业务量的差异。在此基础之上,考虑将新冠肺炎疫情的影响因素加入到对我国大陆快递业务量的影响分析中,弥补了在这一研究领域的空白,同时从地区、经济水平、消费水平和居民收入水平四类影响因素中选择了其他的特征变量,从统计学分析的角度建立了以快递业务量为因变量的回归分析模型,确定了快递业务量与各特征变量之间的关系,并分析各特征变量对各省份快递业务量的影响方式及影响程度。同时本文将机器学习的方法作为另一个切入点,建立了基于Decision Tree、支持向量机回归（SVR）、随机森林、GBDT的快递业务量拟合模型,从机器学习的角度去分析新冠肺炎疫情及其他影响因素对快递业务量造成的影响,机器学习模型的思想是将收集所得的数据划分为训练集和测试集分别用于模型的训练和拟合效果的测试,通过对各模型中各参数的调整,最终均获得了拟合效果良好的模型,最后对各模型的预测准确率和同一测试集下的均方误差进行对比,分析了各模型的拟合效果。为了进一步提高模型的拟合效果,本文引入了stacking集成学习的方法,以前五种模型作为基学习器,将基学习器处理所得的数据再次进行训练,以得到最优的快递业务量拟合模型,最终通过对比测试集的均方误差验证了集成模型的最优性,并对模型的最终结果进行了综合分析,由于新冠肺炎疫情在国内爆发时间和爆发地点上存在一定的差异,同时也综合考虑到经济发展水平、居民收入等因素的影响,最终得到的拟合模型并不适用于所有的省份,且不同的模型对不同的省份适用情况不同,本文最后针对最终得出的结论对国内快递行业的发展提出了几点建议,为我国各地方政府和快递企业在后疫情时期和今后可能会面临的突发性情况中资源安排和业务发展决策中提供一定的参考和借鉴意义。本篇论文中共含有图25幅,表格9个,参考文献60篇。