核燃料组件性能优化是典型的多变量、多目标优化问题,本文针对燃料组件设计在中子物理方面主要面对两个问题:组件开展高精度多群输运-燃耗计算时间较长以及由此导致只能人工筛选和设计少量的组件-堆芯方案。针对上述问题,本文以常见压水堆燃料组件为研究对象,分别展开燃料组件中子学物理参数的预测以及基于组件参数的堆芯方案筛选研究。首先,对燃料组件中子学性能的关键因素分析,以及针对基于数据挖掘技术的燃料组件优化设计进行探索;然后确定采用线性回归、支持向量机（LibSVM）、决策树（回归树/C4.5）、多层感知机（MLP）以及随机森林算法开展参数预测和方案筛选研究。其次,针对高精度组件输运-燃耗计算时间较长的问题,采用线性回归、决策树、多层感知机及随机森林算法以燃料富集度、可燃毒物含量及布置为自变量开展燃料组件寿期初、末的组件平均热通量及无限增殖系数k_inf的快速预测,并验证其精度。研究结果表明,四类算法完成预测时间均在3s内完成;相较于其他三个算法,随机森林构建的模型预测能力以及收敛性最好,误差在可接受范围以内,其次就是决策树模型,这验证了采用数据挖掘技术预测中子物理参数的可行性。同时,组件燃料富集度对以上四个目标参数敏感性最高,其次则根据寿期的不同可燃毒物布置及含量的敏感性也不同。随后,针对堆芯预设方案较少,主要依靠人工经验进行搜索与筛选的问题,采用C4.5、支持向量机、多层感知机及随机森林算法以不同区域的燃料富集度、可燃毒物选型为特征变量开展组件-堆芯方案的筛选研究。筛选目标函数为k_eff在寿期内的不均匀系数份额（UCKL）、不同燃耗内的径向功率不均匀系数份额（RPNC）、不同燃耗内的径向通量不均匀系数（RFNC）及堆芯寿期（CL）,以目标函数符合度（CPF）为统筹。研究结果表明:训练精度最高的为随机森林,最低的是LibSVM;耗时最长的为MLP,最短的为C4.5模型;对CPF=4的案例分类中,存在高准确率而低完备率或高完备率而准确率不高的问题;随后通过对数据模型的简约,四类算法能够很好的完成组件方案的筛选,其预测精度均在94%以上,且耗时均在10s以内,很好地验证了采用数据挖掘技术开展组件-堆芯方案的快速筛选的可行性。同时将整个堆芯所有组件类型由内至外划分为A、B、C三区。经敏感性分析,C区燃料组件的敏感性要高于A区和B区,即C区对于堆芯整体的不均匀性贡献更大。另外,在针对A区的组件设计变量中,对CPF结果敏感性最高的是燃料富集度,而C区最高的为可燃毒物的布置。