由于在能源和医疗等领域潜在的巨大应用价值,高性能磁热材料的开发成为近几十年来科学家和工程师们探索的重要方向。目前已知的具有较大磁熵变的磁热材料,包括Gd及其合金、Mn基合金、镧系化合物等,在实际应用上都存在着一些限制。有别于传统的“试错式”、“炒菜式”费时费力的材料研究,本课题利用机器学习方法计划寻找成本低廉、环境友好的居里温度在室温附近的新型磁热材料。Heusler型磁热材料由于其优异的电学、磁学、力学等物理性能而受到广泛关注。本文通过收集文献中实验测得的Heusler合金的居里温度的数据和构成Heusler合金的不同元素的性质的物理参数,得到用于机器学习的数据集。通过该数据集训练对岭回归、弹性网络、回归树、支持向量回归四种模型进行训练,寻找材料性能-结构之间的关联关系。基于特征的权重分析及筛选实现对四种模型的优化,得到可靠性最高的模型——支持向量回归模型。最后基于支持向量回归模型预测所有可能存在的Heusler合金的居里温度。本次实验共收集了65种不同组分的Heusler合金的居里温度,并从中挑出38种NiMn基Heulser合金数据组成新的数据集,通过两个数据集训练结果的对比,提升模型可靠性。同时对于每种Heusler合金共收集了39种特征,通过特征的权重分析以及验证特征数与拟合结果的关系,筛选出了13个与居里温度相关性较大的特征。利用已有的材料数据,采用机器学习方法研究Heusler磁性合金的居里温度与特征的内在关联。使用优化后的模型,我们对1078种不同组分的Heusler合金的居里温度进行预测,得到了50种不同组分的Heusler合金居里温度均在室温附近。考虑到材料的成本和毒性,最终获得33种潜在的具有应用前景的Heusler合金,大幅度缩短研究周期,为进一步的实验和理论研究,提供了参考和方向。