为提高参考作物腾发量和作物实际耗水量的计算精度。利用沈阳地区1971-2014年气象数据,建立人工神经网络（BP）、随机森林（RF）、支持向量机（SVM）和基于Adaboost算法的集成学习4种机器学习模型模拟估算参考作物腾发量,探索了机器学习模型估算参考作物腾发量的适用性,同时对比上述机器学习模型在不同气象因子输入条件下对于参考作物腾发量的估算精度。为进一步探索机器学习模型对非常规种植条件下（膜下滴灌）玉米实际耗水量估算的适用性,本文还利用辽宁省灌溉中心试验站膜下滴灌玉米测坑试验数据,建立估算膜下滴灌玉米耗水的机器学习模型,并分析了机器学习模型对膜下滴灌玉米耗水量的适用性和估算精度。主要研究结果如下:（1）基于温度输入的RF1、BP1、SVM1和Adaboost1模型,估算参考作物腾发量的绝对误差分别是0.54～0.72 mm、0.52～0.74 mm、0.53～0.70 mm和0.56～0.64 mm,均低于经验公式,表明在基于温度参数条件下,4种机器学习模型均能用于估算参考作物腾发量。其中,Adaboost1估算精度最高。（2）基于辐射输入的RF2、BP2、SVM2和Adaboost2模型,进行参考作物腾发量估算的R~2均大于0.8,且绝对误差分别为0.40～0.57 mm、0.41～0.57 mm、0.36～0.53 mm和0.52～0.54 mm。表明,在增加太阳短波辐射特征之后,模型的精度得到了显著提升。使用支持向量机模型比使用集成学习算法模型效果更好。（3）基于完备气象特征输入的RF3、BP3、SVM3和Adaboost3模型的绝对误差分别为,0.26～0.32 mm、0.08～0.14 mm、0.06～0.07 mm和0.06～0.22 mm,均处于极低水平。同时,在气象资料完备条件下,4种机器学习模型R~2和NSE分别在0.95～1.0和0.94～1.0之间。表明,在沈阳地区上述4个机器学习模型利用完备的气象资料均能准确的估算参考作物腾发量,其中SVM3模型估算精度最高。（4）对4个机器学习模型模拟估算膜下滴灌条件下玉米耗水量的结果进行对比分析,发现Adaboost集成学习模型的估算精度最高,支持向量机和随机森林模型次之,BP神经网络模型最低。但4个机器学习模型的估算误差均在允许范围之内,说明机器学习模型能够较为准确模拟和估算非常规条件下（膜下滴灌）玉米耗水量。（5）对作物系数估算结果表明:在4个机器学习模型之中,Adaboost和SVM模型估算效果总体上最好,并且4个机器学习模型均能代替FAO推荐方法对膜下滴灌玉米作物系数进行估算。对玉米耗水量的估算结果表明:在生育初期,SVM>BP>Adaboost模型>FAO>RF,在快速生长期,Adaboost模型>SVM>RF>BP>FAO;在中期,Adaboost模型>BP>SVM>RF>FAO;在末期BP>Adaboost>FAO>SVM>RF;对总耗水而言,Adaboost模型>BP>SVM>RF>FAO。综合而言,Adaboost模型估算精度最高,FAO推荐值最差。