国VI排放法规要求对以柴油机为原动机的移动机械的颗粒物排放实行严格的控制。在柴油机上安装颗粒捕集器（DPF）,捕集颗粒并在适当时机（碳载量到达一定阈值）燃烧颗粒实现再生,是目前降低柴油机颗粒排放的重要技术途径。然而,实际车用柴油机的运行工况十分复杂,传统基于试验标定和构建压差模型的方法获得的DPF碳载量与实际值差距较大,导致DPF再生时机容易判定失准。本文采用基于数据驱动的机器学习算法来预测车用柴油机DPF碳载量。论文建立了柴油机排放测试系统,在非道路瞬态测试循环（NRTC）工况下模拟车用柴油机的路载工况,分析柴油机在NRTC循环下的工况特点、污染物（PM、NOx、HC等）排放情况以及后处理装置的效果。收集与颗粒物排放相关的各种发动机传感器数据,如转速、扭矩、排气温度、DPF氧浓度等,建立一个超过15万组数据的柴油机颗粒物排放数据集。对此数据集进行数据分析和处理后,运用梯度树算法和神经网络算法两类机器学习算法分别构建试验车用柴油机的颗粒物排放预测模型;结合两类模型分别在准确性和稳定性方面的优越性,采用自学习法进行模型融合,改善了机器预测模型的精度和泛化性。之后,通过分析NRTC循环下DPF内部碳烟的消耗,建立一个详细的DPF再生数学模型,并结合融合后的机器预测模型,构建DPF碳载量模型。最后基于粒子群优化算法,修正DPF碳载量模型的模型参数,并通过试验数据验证模型准确性。本文研究为准确预测车用柴油机DPF碳载量提供了新思路,为柴油机DPF的再生时机判定乃至柴油机后处理系统特别是控制策略的开发提供依据。