针对发动机噪声的实验室快速预测需求问题，基于支持向量机（support vector machines， 简称SVM）、随机森林（random forest，简称RF）和多层感知机（multilayer perceptron， 简称MLP）等机器学习方法，提出了通过发动机表面结构振动时频域数据预测辐射噪声的方法。首先，在发动机半消声实验室内采集了多种工况下的发动机表面振动和辐射噪声数据；其次，根据不同机器学习方法的原理确定数据集和模型参数，并进行参数调优；最后，根据预测结果的最大绝对误差、平均绝对误差和中值绝对误差这3种评价指标来评估各算法的优劣。结果表明：多项式核支持向量回归（support vector regression， 简称SVR）在时域振动数据集中的预测表现最优；线性核SVR在频域振动数据集中的预测表现最好；时域数据建模需要基于多个测点进行，适用于预测精度要求高但设备算力不足的场景；频域数据建模可基于单测点进行，适用于预测精度要求不高但算力较高的场景。