在土木工程领域,工程用水泥基复合材料（Engineered Cementitious Composites,ECC）已得到了长足的发展,而该材料的力学性能则受多方面参数的影响。人工神经网络（Artificial Neural Network,ANN）算法被认为是预测这些参数影响的有力工具。这一方法的特点在于可通过输入已有的实验数据训练模型,以使得模型具有精确预测力学性能的能力。此外,该方法从本质上对各类性能参数特征进行分类,从而提高了计算效率。该模型的预测将有助于推动的ECC的研究与发展。众所周知,在仅仅得知ECC的组分配比的情况下,尤其在考虑多种纤维类型和不同的配比组合时,很难对其力学性能（如极限应变）进行预测的。此外,如果已有的实验数据较少,同样也会导致ANN模型预测的困难。本文开发了针对ECC力学性能预测的ANN模型,预测的目标参数包括ECC的抗压强度、初始开裂时的应力/应变/弯矩/弯曲应变、最大拉应力/弯矩/弯曲应变和极限拉应变等,并针对以上困难提出相应的解决方案。本文第一部分搜寻了已有关于ECC性能研究中的共计434组试验数据,其中,关于开裂轴应力、开裂轴应变、最大轴应力、最大轴应变、开裂弯矩、开裂弯曲应变、最大弯矩、最大弯曲应变和抗压强度的数据量分别为227个、227个、284个、293个、60个、48个、189个、166个和313个。采用线性回归拟合方法解决数据部分缺失的问题,通过得到的R2系数对模型拟合的精度进行了验证。基于上述结果,提出了对各参数进行了分离和重组的方法,通过相关性分析、Pearson系数分析和参数重要性分析对ECC的预测结果进行了分析。本文第二部分主要介绍了模型的开发思路。基于已有研究中的模型,本文利用顺序叠加法（Sequential Stacking Technique）和深度神经网络（Deep Neural Networks）对随机森林回归算法（Random Forests Regressors）经过训练集成后得到本模型。结果表明,以M.A.E系数作为衡量参数,本神经网络集成模型的预测精度较已有基于PVA纤维-SHCC的预测模型（Hossain等人和L.Shi等人提出的模型）有所提升。对于PVA纤维-SHCC的性能预测值,本模型的R平方值达到了0.81。在考虑不同纤维种类和组合时,本模型R.M.S.E误差小于0.0678。通过对不同程度的数据缺失、数据噪点和错误数据的预测结果R平方值对比分析,证明了本模型相比单一输出的神经网络模型具有更好的排除异常数据影响的能力。以本模型为核心,开发了相应的软件程序,以方便用户进行ECC计算模拟和性能设计,实现ECC的快速设计和分析。使用该软件从2019年发表的论文中提取预测样品,并对结果进行了讨论。本研究验证了人工神经网络在提供的训练数据范围内做出准确预测的能力。通过选择适合训练数据的最佳神经网络结构和训练方法,可以进一步提升本模型在除ECC以外其他复合材料性能的预测能力。此外,本文开发的软件可用于ECC的抗压强度、初始开裂时的应力/应变/弯矩/弯曲应变、最大拉应力/弯矩/弯曲应变和极限拉应变等,软件可预测的参数范围取决于训练数据所给的信息量。软件的这些功能可以极大的节约试验所带来的时间和资金成本。