以杨絮(PC)为原料，采用乙醇溶剂热法对其进行预处理，再进行碳化，制备了高比表面积的杨絮衍生多孔碳(DPCC)，并研究了其对染料的吸附性能及动力学性能。通过单因素实验优化工艺参数，确定最佳预处理条件(液固比为17 mL·g^-1、200 ℃处理2 h)，在此条件下制备的DPCC-10比表面积达到518 m²·g^-1。结合傅里叶变换红外光谱(FTIR)、X射线衍射(XRD)、拉曼(Raman)光谱、扫描电镜(SEM)和N₂吸附-脱附测试等表征手段，证实预处理过程能够有效去除木质素和半纤维素等，形成丰富的多级孔道结构。吸附实验表明，DPCC-10对亚甲蓝(MB)的最大吸附量达到385.71 mg·g^-1，优于多数报道的生物质衍生吸附剂。DPCC-10对染料的吸附过程满足准二级动力学方程，表明该吸附以化学吸附为主。经过4次吸附-脱附循环后，DPCC-10对MB的吸附容量仍保持初始值的92.01%，表明材料具有优异的可再生性能。

碳纤维作为国防、航空航天、轨道交通等领域的关键材料，已被纳入国家战略发展规划。其前体(如共聚聚丙烯腈)的结构组成是影响碳纤维结构与性能的核心因素。然而，我国在碳纤维共聚前体的合成及应用方面仍面临技术瓶颈，亟需通过本科相关教学实验培养具备专业知识与创新能力的复合型人才。目前，本科高分子化学实验课程多以均聚物自由基聚合实验为主，并采用单变量控制的非探究性模式进行。由于实验时长有限、单体种类与比例选择复杂以及仪器条件不足等因素，具有重要应用的共聚物的合成实验难以纳入传统的实验教学中。随着人工智能等数字化技术的快速发展，这一困境有望被突破。本研究设计了一套基于共聚物合成及应用的数字化实验教学方案，通过利用开源数据库训练神经网络，借助人工智能程序预测不同合成策略的结果，学生可在虚拟实验平台上优化相关参数，模拟聚丙烯腈基碳纤维的全流程合成及性能测试，进而指导开展线下探究性碳纤维共聚前体的合成实验，产生的实验数据可上传至平台，用于微调预训练模型，从而逐步提高人工智能模型的预测精度。最终，通过与相关虚拟仿真实验的链接，构建了碳纤维前体“合成–结构–性能–应用”的全流程模块化实验体系，为学生提供了一个系统性、探究性及创新性的数字化综合实验，有效提升了人才培养的质量。