随着人工智能技术的快速发展，数据驱动的预测模型在能源需求与性能效率预测领域的重要性日益凸显。为探究机器学习算法对储热型深井地源热泵系统（DBHE-GSHP）性能预测的适用性，通过对 DBHE-GSHP 的运行数据进行实时采集，并选取典型参数构建特征集，运用皮尔逊相关分析法对特征集加以优化；基于优化后的特征集，分别采用反向传播神经网络（BPNN）、极限学习机（ELM）、支持向量机（SVM）以及粒子群优化 - 支持向量机（PSO-SVM）等算法展开分析。研究结果显示，PSO-SVM 方法呈现出良好的预测性能，预测准确率超过 95%。研究成果可为DBHE-GSHP 供热系统的参数优化和高效运行提供理论支撑。