热电材料是一种可以实现热能和电能直接转换的功能材料,在航空航天中的原子能电池,电子通讯领域的固态制冷,汽车尾气废热发电,以及物联网自供能等领域都有重要的应用价值。新型热电材料的发现对推动热电转换技术的进步有重要意义。回顾热电材料的发展历程,最早可以追溯到Seebeck通过试错法所做出的探索性研究。上世纪50年代,凝聚态物理理论的应用发现了经典的Bi₂Te₃和PbTe等热电材料。近年来,第一性原理计算的发展也极大地促进了如Mg₃Sb₂等新型热电材料的发现。然而,与已知的化合物相比,未知化合物的数量更为庞大,本论文借助机器学习的方法来筛选还没有确定结构的未知化合物中潜在的热电材料。根据经典的Bi₂Te₃材料,我们利用等价电子元素取代构建了一个含有720种化合物的M₂X₃型热电材料库,其中在ICSD数据库中发现了80种具有晶体结构的化合物。我们选用组成元素的物理性质（例如原子尺寸,电负性,密度等）来定义具有通式M¹M²X¹X²X³（M¹+M²:X¹+X²+X³=2:3）的化合物的特征,并利用随机森林+贝叶斯优化方法构建机器学习预测模型。通过模型学习已知结构的80种化合物,获取结构分类的规律,并进一步用来预测未知化合物。研究发现由于用于生成规则的学习样本太少,对于完整预测七大晶系的多任务预测准确度不高。因此,本文进一步修改策略,仅通过已知样本获取是否是与Bi₂Te₃材料一致的三方结构。基于机器学习的交叉验证结果显示,仅判断一个化合物是否是三方结构化合物的单任务预测模型的准确率可以高达0.94。利用参考文献中10种已知结构M₂X₃型化合物数据进一步验证模型,可实现0.90的准确度。因此,本文最终使用该模型来筛选材料库中具有类似三方结构的新化合物,并获得70+个潜在和Bi₂Te₃结构相近的新化合物。本文通过特征选择和探索性数据分析发现了影响M₂X₃型热电材料结构的敏感参数,进一步提出基于电负性、离子半径、熔点等特征构成的规则,此规则也能获得与机器学习模型相当的准确度。然而,仅具有结构相似,尚无法说明该材料就一定是一个好的热电材料。禁带宽度是人们判断一个化合物是否是一个潜在热电材料的重要指标。本文基于Slack关于禁带宽度与阳离子（M）和阴离子（X）之间电负性差值绝对值的经验关系,提出了双重相似性的标准,即将结构相似和阴阳离子平均电负性差相似作为新型热电材料筛选的判决指标,并发现有潜力的新型热电材料如Sb₂TeSeS、Sb₂S₂Te、SbFeTe₃等。