В современном материаловедении все более широкое использование получают синтетические материалы на полимерной основе, в том числе с использованием композиционных материалов. Данные материалы находят широкое применение в качестве адгезионных соединений в контакте с металлами. Обеспечение надежности современных материалов в жестких условиях эксплуатации обусловливает использование многофункциональных полимерных материалов, обладающих комплексом свойств и способных выполнять несколько важных функций. Одновременно полимерные материалы могут обеспечивать высокие физико-механические свойства, адгезию, защиту от агрессивных сред, высоких температур, вибрации, атмосферного действия, обладать специальными технологическими и эксплуатационными свойствами. В статье разработаны модели прогнозирования поверхностно-энергетических характеристик полимеров в адгезионных соединениях с металлами. Процессы создания адгезионных соединений на основе полимерных материалов напрямую связаны с возможностью прогнозирования и регулирования межфазных и межмолекулярных кислотно-основных взаимодействий между компонентами адгезионных композиций. В ходе работы построены регрессионные и классификационные модели с использование гребневой регрессии, метода ближайших соседей, метода опорных векторов, искусственных нейронных сетей и алгоритма случайного леса, где прогнозируемыми величинами являлись кислотный и основный параметры свободной поверхностной энергии и метка принадлежности полимера к классу кислотных/основных. Показано, что полученные модели способны одинаково хорошо прогнозировать кислотные и основные свойства полимеров. В качестве представлений молекул полимеров выбрали линейные представления SMILES. Данные о поверхностно-энергетических характеристиках полимеров собирали вручную на основе публикаций в период с 1969 по 2022 гг. В качестве дескрипторов выбрали структурные ключи и молекулярные отпечатки Моргана. Модели зависимостей «структура-свойство» построили с использованием методов гребневой регрессии, метода ближайших соседей (kNN), метода опорных векторов (SVM) и искусственных нейронных сетей на примере многослойного персептрона (MLP). Нами показано, что наилучшей прогностической способностью обладает метод k-ближайших соседей. Статистические характеристики построенной kNN-модели для нашей выборки имеют следующие значения: АСС = 0.89, ЅРС = 0.92, SEN = 0.86, BA = 0.89, Точность = 0.92, F1-мера=0.86.