随着热环境控制技术不断发展,人们对于建筑室内环境的热舒适性也相应的提出了更高更具个性化的要求。为了更好的解决人们日益增加的个性化的热舒适需求,建立一个具有准确性、稳定性、适用性和拓展性的个人热舒适模型是本研究的主要课题。本论文选取了夏热冬暖地区办公建筑人群作为主要研究对象,经过对机器学习与热舒适领域的适配性进行的深入研究,设计了基于堆叠策略的集成学习模型,并完成了从通用模型到个人热舒适模型的迭代,最后完成了个人热舒适模型的在线预测模块设计与开发。本论文从四个方面进行了深入的研究,并得到以下结果:一是研究机器学习的模型性能。针对热舒适领域数据集这一特定数据形式,基于夏热冬暖地区办公室现场试验数据,对机器学习中不同类型的机器学习算法进行建模并深入分析,目的是为了探求最适用于个人热舒适模型研究的机器学习模型,为后续的个人热舒适模型建立打下了坚实的理论基础。二是基于堆叠策略建立通用热舒适模型。使用堆叠集成策略,利用已有高质量ASHRAE全球热舒适数据集Ⅱ,集成多个最优机器学习模型并建立一个通用性的热舒适模型。一方面有效解决以往机器学习研究中个体数据量小带来的模型训练难的问题,另一方面能够有效提高通用热舒适模型的预测性能。三是基于通用热舒适模型进行进一步的个体适配。在原有通用热舒适模型的训练基础上,通过加入个人数据集进行重新训练,使模型更符合个性化需求,通过对比分析验证本文提出的个人热舒适模型是具备工程价值的。四是基于个人热舒适模型设计并开发在线预测模块与预测可视化网页界面,能够对输入的参量进行实时预测结果,并在网页端进行实时监测。该应用作为一个完全独立的模块,可以接入不同的场景,从而大大降低了应用场景的限制。本论文工作有效解决了传统应用机器学习技术的热舒适模型研究中模型性能不佳、不满足个性化需求等问题,为个人热舒适模型的建立提供了一个行之有效的方法,同时也为实际工程应用提供了可靠方案。