随着现代工业技术的飞速发展,对供电方式的智能化、安全性、便捷性提出了更高的要求,无线电能传输（Wireless Power Transfer,WPT）技术以其自由、灵活、安全、可靠等优点引起了人们的关注。由于在实际的供电场合中,线圈偏移和传输距离变化等不可避免因素的存在,线圈间耦合系数会出现随机波动。此外,充电过程中电池内阻的变化也会导致WPT系统偏离最佳工作状态。因此,开展无线电能传输系统参数辨识研究,对提高系统的鲁棒性和效率至关重要。针对WPT系统参数辨识的研究,传统方法需获取WPT系统原边侧阻抗角信息或由进化优化算法通过迭代过程来辨识参数,需要依赖于高精度的采样设备以及冗长的迭代过程。为此,本文围绕串联-串联（Series-Series,SS）型WPT系统耦合系数与负载辨识问题展开研究,通过分析原边侧电气信息与待辨识参数的关系,提出了一种融合机器学习模型与机理模型的WPT系统参数辨识方法。最后,通过仿真与实验验证该辨识方法的有效性。本文主要研究工作如下:（1）基于电路理论建立了SS型WPT系统的电路模型,推导了线圈耦合系数、电阻负载与系统输出功率和效率的函数关系。在此基础上,分析了线圈耦合系数与负载阻值波动对系统输出性能的影响。（2）提出了一种融合机器学习模型与机理模型的参数辨识方法。以原边侧输入电压、电流作为输入因子,耦合系数作为标签,建立了WPT系统样本数据库。依次分析了机器学习算法中支持向量回归（Support vector Regression,SVR）、BP神经网络以及RBF神经网络的基本原理,并分别构建三种算法的耦合系数辨识模型。推导耦合系数与负载阻值的函数关系,依据耦合系数的辨识值,实现了负载参数识别。（3）对比分析了以上三种参数辨识模型的精确度与泛化能力,研究结果表明SVR算法在小训练样本数据中其辨识精度与泛化能力均优于其余两种算法。在此基础上,搭建了WPT系统实验平台,分别在传输距离变动以及水平偏移工况条件下,验证了基于SVR参数辨识方法的有效性。