环境问题已经成为人们关注的热点,目前对空气质量的研究和治理主要集中在室外。由于人们的大部分时间都是在室内度过的,近年来室内空气的质量引起了人们更广泛的关注,其造成伤害的不亚于室外空气。本文以室内环境质量数据为样本,基于机器学习,实现了对室内环境的预测优化。本文的主要工作如下:首先,针对传统的统计模式和数值模式,在空气质量应用上存在的不足,本文基于机器学习对室内空气质量参数进行了预测优化研究,并通过对机器学习算法的实例分析,验证了机器学习算法在空气质量预测优化中实际的应用效果。其次,针对随机森林算法中样本利用率不高的问题,本文对算法进行了改进和扩展,避免随机采样样本的不足,采用全部样本进行基决策树的学习方法。同时,为了保证基学习器的独立性,在特征选择时,应用完全随机的选择方式,实验结果表明改进后的算法效果明显,在一定程度上降低了预测误差。最后,针对单一模型预测结果不理想问题,Boosting算法和Bagging算法只针对训练样本和连接方式进行的操作而没有考虑基学习器性能等问题,本文提出了一种基于Stacking方法的融合回归模型,并通过与其他算法的预测评估和误差对比发现,该融合回归预测模型的预测性能更优。