结构抗震性能化评估的实现依赖于可靠的弹塑性分析方法。纤维单元是工程中广泛应用的结构弹塑性分析宏观模型,通过平截面假定和钢筋、混凝土的单轴本构关系模拟钢筋混凝土（RC）构件在往复荷载下的弹塑性响应,但难以描述如剪切效应、粘结滑移等因材料间相互作用所造成的复杂滞回特性。为实现RC柱构件复杂滞回特性的有效模拟,本文基于搭建的RC柱低周往复试验数据库,通过机器学习建立构件特征参数与钢筋本构控制参数间的非线性拓扑关系,进而建立一种可模拟不同破坏形态RC柱复杂滞回特性的钢筋本构模型（Steel ML）。本文的主要研究工作和成果如下:1)搭建RC柱低周往复试验数据库。基于PEER结构性能数据库收集140个RC柱的低周往复试验数据,建立数字化RC柱试验数据库;构件试验数据库的统计分析结果表明,数据库中的构件特征参数涵盖工程中常用的取值范围,可有效保证Steel ML模型的泛化能力。2)基于构件试验建立改进的钢筋恢复力模型。通过三折线骨架考虑钢筋受压屈曲和剪切效应等的影响,结合构件层次的试验现象和材料层次的力学原理,引入无量纲化的骨架控制参数;通过单因素分析,确定可表征构件捏拢效应及其循环退化特性的滞回规则及控制参数,进而解决基于材料试验的钢筋恢复力模型无法模拟构件复杂滞回特性的不足。3)提出一种基于构件试验的钢筋本构模型控制参数辨识方法。以构件的峰值承载力、峰值点位移和骨架曲线下降段耗能面积的误差最小化为目标,采用三分查找算法辨识骨架控制参数;以构件的滞回环非重叠面积最小化为目标,基于DE算法实现滞回控制参数快速寻优;利用不同破坏形态RC柱试验的参数辨识结果构建纤维单元模型,并将其模拟结果与试验进行对比,表明参数辨识结果能准确模拟构件的复杂滞回特性,验证参数辨识方法的有效性。4)搭建基于机器学习的钢筋本构参数预测模型。选用机器学习GBRT集成算法,搭建以构件特征参数为输入、钢筋本构模型控制参数为输出的Steel ML模型;测试集21个构件的钢筋本构参数预测结果表明,Steel ML模型具有较高预测精度并具备良好的泛化能力;结合Steel ML模型的特征重要性分析以及模型特征的SHAP分布,解释模型输入特征与预测结果的内部映射关系,揭示构件特征参数对滞回性能的影响规律。5)基于机器学习的钢筋本构模型的弹塑性分析试验验证。基于Steel ML模型对9个不同破坏形态的RC柱试件进行弹塑性分析,结果表明Steel ML模型可较好地模拟试件的峰值承载力、变形能力、滞回耗能能力,平均误差分别为8.68%、13.81%和10.32%,解决广泛应用的Steel01和Steel02模型仅适用于弯曲破坏构件峰值承载力模拟的局限性;结合Steel ML模型参数预测在弹塑性分析中的耗时占比,Steel ML模型具有快速预测的特点,可在构件复杂滞回特性分析中实现模拟精度与计算效率的平衡。