新材料因为具有先进性及多样性等特点,被视为科技发展的前提和生产实践的基石。基于传统方法的新材料发现往往需要耗费大量的时间及人力成本,而且研发出的材料常常无法满足科研人员的要求。在材料基因组计划的推动下,算法的发展和数据驱动工作在材料领域取得了巨大的成功,信息学方法开始被广泛应用于材料科学领域。以数据为中心的信息学方法对于解决由于需要大量的成本及时间,而难以使用传统方法进行测量或计算的材料特性问题非常有效。材料研究者们引入机器学习模型来替代传统方法,该模型不需要通过直接实验或求解基本方程式来计算或模拟,仅基于已知的数据就可以进行材料性能的快速预测。材料性能的预测模型首先要对材料进行特征识别,然后通过学习算法建立特征和目标属性之间的映射,并且可以基于材料成分及性能之间的关系实现具有特定性能的材料的逆向设计。具有特殊光学特性的合金材料被广泛应用于从计算机显示器到太阳能利用的各种工程领域,一直是材料领域的研究热点。为了加速具有目标光学性能的新材料发现,本文提出了一种基于深度学习的材料逆向设计方法,可以给出具有所需要的目标性能的材料的组成成分。该方法基于深度神经网络模型和全局优化算法（包括遗传算法和贝叶斯优化）的组合,将元素属性统计描述符作为特征训练神经网络模型,并采用迁移学习策略来解决小数据集问题。实验结果表明,该逆向设计算法具有较高精度及泛化能力。本文主要研究内容如下:提出了一种基于卷积神经网络的材料性能预测模型。对于从开源数据库中获取的材料分子式数据,采用One-Hot编码对其进行特征提取,将提取的特征输入卷积神经网络进行训练,以学习材料组成成分与其性能之间的映射关系。通过对比具有不同参数的模型性能确定模型的初始参数,并在训练过程中根据损失函数更新权重。在仅给定目标材料分子式的情况下,卷积神经网络模型表现出良好的预测性能。提出将迁移学习与材料性能预测模型相结合的方法,以解决数据集上存在的小样本问题。首先利用大量相似样本对模型进行初始训练,得到模型的初始参数,然后利用小样本数据对模型参数进行微调。经过迁移学习后,预测模型在小样本数据集上的预测精度有显著的提高。提出了一种基于深度学习的材料逆向设计模型,以加速具有特定性能的新材料的发现。首先使用遗传算法和贝叶斯优化方法,模拟生成具有不同组成元素的材料分子式,然后基于材料性能预测模型,计算其可能具有的性能。大量实验证明,本文提出的逆向设计模型可以根据给定性能,设计出可能具有该性能的材料的分子式。