低活化铁素体/马氏体（RAFM）钢因其具有良好的热物理性能、抗中子辐照性能以及成熟的产业化基础,被认为是核聚变反应堆包层首选结构材料。然而,RAFM钢在应用和研究中依然面临着诸多问题。一方面,存在明显的高温软化效应,这严重阻碍了其在高温（如550℃以上）下的应用。为满足未来商用聚变反应堆更高服役温度的要求,不仅需要进一步优化挖掘RAFM钢的性能潜力,也需要重视具有性能优势的高熵合金的研发。另一方面,如何准确高效地评价RAFM钢的中子辐照力学性能也是一个亟待解决的关键问题。通过传统的试错实验、物理模型以及理论计算方法均无法有效解决上述问题。数据驱动的机器学习方法为多组分材料的研发开辟了一条新的有效途径,但是目前的机器学习模型还难以实现面向性能的设计。鉴于此,本研究围绕上述问题,利用机器学习方法开展了一系列的工作。其主要研究内容和结果如下:1)通过构建基于机器学习的智能设计模型,实现了 RAFM钢面向性能要求的成分和热处理参数设计,并设计制备出高温拉伸性能优异的RAFM钢。在系统对比6种常用机器学习算法以后,选择梯度提升回归（GBR）算法构建正向模型,该模型预测的极限抗拉强度（UTS）和总延伸率（TE）与实验值的决定系数（R2）分别达到为0.98和0.89。利用人工神经网络回归（ANNR）算法构建逆向模型,为给定的拉伸性能提供成分和热处理参数的候选组合。然后将正向和逆向模型相结合构建智能设计模型,用于设计具有目标拉伸性能RAFM钢的成分和热处理参数。通过将相关文献报道的3种RAFM钢的实验数据与智能设计模型的设计结果进行对比,验证了智能设计模型的有效性。为进一步验证智能设计模型的实际效果和发现耐高温RAFM钢,设计并制备了一种新型RAFM钢。其在25-600℃的测试温度范围内,在TE不明显损失的情况下,UTS比传统RAFM钢高～200-400 MPa。因此,该设计策略适用于性能导向的RAFM钢设计,是一种非常有前景的高性能结构材料研发方法。2)通过将机器学习与相图计算方法相结合构建集成设计系统,实现了 MX析出强化RAFM钢设计,为实现面向结构和性能要求的设计提供了新思路。基于相图计算的相平衡体积分数数据集,利用机器学习方法构建可靠的微结构预测模型。采用梯度提升分类算法（GBC）构建的识别RAFM中是否存在δ铁素体和粗化相的微结构预测模型,其准确率均超过90%。对于预测MX、M23C6析出相体积分数的微结构预测模型,分别选用随机森林回归（RFR）和支持向量机回归（SVR）算法,其对应的R2为0.93和0.96。然后,将四个微结构预测模型耦合在一起,与前面提到的智能设计模型相结合构建集成设计系统,并根据结构和性能需求设计MX析出强化RAFM钢。最后,通过实验验证发现其微结构和拉伸性能与机器学习设计结果吻合较好,这证实了集成设计系统的有效性。3)以中子辐照RAFM钢的韧脆转变温度（DBTT）研究为例,详细介绍了基于机器学习的中子辐照硬化与脆化性能预测模型的构建。基于收集的RAFM钢中子辐照数据集,采用相关性筛选、递归消除方法识别影响RAFM钢中子辐照条件下DBTT的关键特征变量。利用筛选的关键特征变量,采用RFR算法构建具有良好预测能力的RAFM钢中子辐照DBTT预测模型,其对应R2达到0.92。为进一步实现中子辐照条件下韧脆转变温度变化（ΔDBTT）的预测,首先构建了RAFM钢未辐照DBTT预测模型,然后将辐照前后DBTT预测模型相结合构建了 RAFM钢中子辐照ΔDBTT预测模型。通过将模型预测的ΔDBTT与文献收集的数据进行对比,得出R2为0.91,均方根误差（RMSE）为14.5,表明该模型具有较好的预测能力。4)提出了一种同步优化多组分高熵合金结构和性能的机器学习设计策略,并设计制备出低活化高熵合金Fe30Cr35V15W15Mn5。利用5种不同的机器学习算法,通过相关性筛选、递归消除和穷举筛选方法确定关键特征变量。采用GBC和随机森林分类（RFC）算法及其对应的关键特征变量,建立准确率达90%以上的两个分类模型,对高熵合金的相结构进行预测。利用RFR算法及其对应的关键特征变量,构建了高熵合金硬度的回归预测模型,其R2达到0.94。在此基础上,从约28.5万个候选材料中成功筛选和实验制备了一种低活化高熵合金Fe30Cr35V15W15Mn5。它的相结构为BCC,实验硬度值达到699.3±27.6 HV。这与机器学习的预测结果非常吻合,表明我们的设计策略适用于低活化高熵合金的设计。综上所述,本论文结合机器学习、相图计算以及实验验证方法,实现了 RAFM钢的高温拉伸性能优化设计和辐照性能预测以及低活化高熵合金的设计研究。为未来高效研发聚变堆候选结构材料提供了新思路、新方法。