为了加速锂离子电池的发展以满足日益增长的需求,设计和发现具有良好性能的固态电解质材料成为锂离子电池开发的研究热点,其关键在于如何快速筛选出性能优异的固态电解质候选材料和实现对离子电导率的准确预测。传统的固态电解质材料筛选和离子电导率预测主要采用实验测量和计算模拟两种方法。但这两种方法存在着时间效率低、依赖材料微观结构等问题。随着材料基因组的建立和材料信息学的发展,机器学习凭借在预测精度、时间效率、适用性等方面的优异表现,被广泛应用在锂离子电池的研究中。然而,机器学习应用于固态电解质材料的研究尚处于初步发展阶段,在研究中存在着最优特征子集难以选择、性能优劣评价依据不明确以及离子电导率预测精度不高等问题。因此,针对这些问题,本文展开了固态电解质性能影响因素分析的特征选择方法、性能优劣评价的聚类方法和离子电导率预测的回归集成方法的研究。具体研究内容和创新点如下:1)提出了融合专家经验的多层级特征分析方法并用于处理固态电解质数据中存在的稀疏性、不相关性和冗余性问题。该方法从稀疏性评估、相关性评估和冗余性评估三个方面,将多种特征选择方法有效结合,分层地对原始特征集进行特征选择。同时,采用评分法实现专家经验定量化,并通过建立特征重要度评分指标将专家经验与特征选择结果结合,实现对特征选择的协同分析。实验结果证明了该方法在充分融入专家经验的同时,可以有效地筛选出较优的特征子集,提高模型预测精度。2)提出了基于云模型的不确定性聚类方法并用于固态电解质材料筛选。该方法使用逆向云发生器对每一个聚类簇构建云模型,通过正向云发生器计算每个数据点在每个聚类簇中的确定度来实现聚类的划分,并利用数字特征从聚类簇中提取定性规则。实验结果证明了该方法能够从聚类簇中提取定性规则的同时,实现对固态电解质材料有效划分。3)提出了基于云模型的回归集成方法并用于离子电导率预测。该方法将集成学习引入离子电导率预测,采用多种异构的线性回归算法作为个体学习器,利用函数云发生器对学习器获得的回归系数方程进行集成,构造了描述因子与离子电导率之间的云回归带。实验结果证明了该方法可以获取表征描述因子与离子电导率之间构效关系的回归方程,以较高的精度预测离子电导率,为预测离子电导率提供了一种新的解决方法。