有机半导体、弹性体等材料因其在力学性能、电性能等方面表现出的优越性,在发光器件、橡胶轮胎等领域有广泛的应用。影响材料性能的因素包括体系内微观结构、材料体系参数、材料分子结构等。传统的实验研究材料性能大多依赖试错和经验,不仅消耗大量人力物力,同时也缺少对体系及分子的结构分析和表征。分子动力学模拟等模拟方法研究材料结构及性能需要人工分析,并且模拟运行时间长,缺乏对非平衡过程的表征。随着信息技术的进步,机器学习算法在材料基因学中的应用为材料结构及性能的研究带来了新的生机。本文基于机器学习,针对材料结构及性能研究中的各种问题,针对性的设计了监督学习或非监督学习算法,研究材料体系内部微观结构、小样本数据下的体系参数-性能预测、材料分子结构对性能的影响等,多角度多层面的研究材料的结构与性能的关系,从而加速材料的设计和开发。论文的主要研究内容:（1）提出了聚类包络封装法（CESM）来表征材料微观结构,进而分析性能。针对分子动力学模拟中的单轴拉伸过程,利用CESM定性和定量的表征不同相互作用强度下体系微观结构。CESM包括基于距离的聚类算法和形状近似算法。当体系内相互作用较弱时,通过聚类算法来观察拉伸过程中体系珠子的分布情况变化,从聚类数量和大小的变化来衡量不同体系参数下微观结构的变化。当体系内相互作用较强时,基于聚类的结果采用形状近似算法实现形状近似,近似后的椭球体表面积和偏心率量化材料受拉伸作用带来的形变。（2）提出了互迁移高斯过程回归算法,基于小样本数据实现聚合物多性能预测研究。构建不同材料体系参数预测性能的模型时,由于模拟仿真时间长或材料体系实验复杂等原因,用于拟合模型超参数的数据很少。利用高斯过程在小样本任务中优秀的回归预测性能,并利用迁移学习学习性能之间的影响来实现数据增强,提高高斯过程回归模型的预测精度,对分子模拟中复杂的材料体系参数设置提供指导作用,降低了重复模拟的时间消耗。此外,从多个性能之间关系构建的模型中,还可以研究性能的相互作用,有助于对复杂聚合物体系性能进行深入分析。（3）基于图网络,构建了图信息传递网络和图解释算法对有机半导体材料实现性能分类预测和材料分子结构-性能关系解释。利用信息传递层和门控循环单元等构建的图信息传递网络从材料分子结构构成的图数据中提取对性能重要的特征信息,实现分类预测性能。根据提取到的特征信息,图解释算法对分子结构加以权值,研究对性能具有重要影响的分子子结构。更多的,由于分子结构的多样性和结构-性能关系的复杂性,利用聚类等算法做辅助,对结构-性能关系的结果进行分类讨论。（4）为了更好的预测性能和更合理的解释结构-性能关系,提出了基于分子分割的改进图神经网络算法。根据材料分子的组成机理及官能团的划分,构建非监督学习方法对分子构成的图数据结构进行分割。结合分子分割后的结构,设计新的图神经网络来更多关注官能团的局部效应,通过在溶解度等数据库中实验,改进后的图神经网络具有更优秀的预测性能。同时,分子分割和图解释算法相结合,引导图解释算法寻找包含完整官能团的子结构,对于结构-性能的解释,更符合分子构成的机理,对性能分析和新材料设计更具实际意义。