材料是时代进步的重要标志,不同的材料结构具有不同的物理、化学性质,进而影响材料的功能特性.为了实现材料的最优化设计,常采用交叉实验的方法,通过开展大量实验探寻材料的最佳结构.该方法步骤繁琐,无法解决涉及高度非线性或大规模组合过程的复杂问题,也很难揭示材料一些罕见特性.随着计算机科学的发展,机器学习作为一种兼顾开发效率以及开发成本的方法,已经逐渐应用于材料发现、结构分析、性质预测、反向设计等诸多领域,并且在材料学研究中展现出惊人的潜力.然而,机器学习在材料科学中的应用仍存在一些瓶颈.数据集的高效获取、异构型数据集的信息处理、基于轻量化数据集的预测模型建立、材料性能的可靠预测等问题制约着该方向的发展,这些也正是该领域亟需解决的关键问题,同时也是机器学习在材料结构与性能预测中研究的热点与难点.近年来,关于机器学习在材料中应用的论文数量逐年增长,利用机器学习指导新型高性能材料合成的案例也比比皆是.通过采用支持向量机、神经网络等机器学习算法训练数据集来构建模型,以预测材料的结构、吸附特性、电学特性、催化性能、力学特性和热力学特性等材料性能,大大推动了机器学习在材料科学领域的发展,并且已经取得重要突破.为了合理地归纳整理该领域的研究成果,指导后续研究,该综述从应用角度出发,讨论了机器学习在材料结构与性能预测中的数据来源、预测模型以及预测结论等,并对机器学习在未来材料领域中的发展进行了展望.