材料基因组计划提出了以高通量计算、高通量实验和材料数据库三要素驱动的未来先进材料开发新模式,产生了“数据+人工智能”的创新发展方向。攻克关键性材料技术壁垒,为改变我国长期以来在新材料技术上落后的局面具有重要的战略性意义。本文的工作围绕开发“跨尺度高通量自动流程功能材料集成计算算法和软件”的目标,针对跨尺度高通量计算和数据共享平台的建设需求,主要研究内容与结论如下:（1）基于改进的有效介质理论,采用C++/Qt混合编程,设计并开发了可跨平台应用的“Composite Studio物理性能计算软件”和“复合锂离子电解质电导率计算软件”两款软件,包含弹性常数、介电常数和离子电导率等三个物理性能计算模块。软件设计了一次性构建高通量显微结构参数组合的工作模式;采用运算效率较高的C++语言编写了三个物理性能的计算内核;并采用Qt实现了操作方便、交互友好的人机界面,用于输入体积分数、颗粒长径比、截止取向分布角、宏观取向角和界面层厚比等显微结构参数;采用QCustomPlot实现了计算结果的实时作图分析。软件的计算规模达到了 10000组合/次的量级,实现了高通量计算。（2）设计开发了显微结构尺度的“材料基因工程——复合材料物理性能计算平台”,集成了弹性常数、介电常数、离子电导率、介电击穿和局域电场分布相场计算等5个计算内核。根据多尺度联合计算的数据交互规范,设计了网络服务器框架和在线高通量计算的工作流程。采用Python语言开发了网络服务器框架,嵌入了使用C++和Fortran语言编写的多个计算内核。该计算平台开发完成后已集成到材料基因组计划的总平台,配合原子尺度的第一性原理等计算模块,通过公共数据池的数据传输,完成了跨尺度复合材料物理性能高通量计算。（3）研究了机器学习方法简化有效介质理论模型的可行性及预测材料物理性能的能力。以有效介质理论的高通量计算结果作为训练集,采用支持向量机、决策树和随机森林三种机器学习方法进行了回归学习。分别研究了三种机器学习方法在不同参数下的回归性能,结果表明:在合适的参数设置下三种方法均有较好的回归效果;其中支持向量回归对测试集的预测结果较平滑,符合实际规律,泛化能力更好。采用机器学习模仿复杂理论计算模型是可行的,有望获得一种更快速的材料物理性能预测方法。本文基于改进的有效介质理论设计开发了复合材料物理性能高通量计算软件,其中包括两个单机版软件以及可进行跨尺度计算的网站平台,探索了机器学习方法简化有效介质理论模型的可行性。本研究对高通量计算和数据驱动的新材料研究具有参考意义和实用价值,有望在我国材料基因工程创新发展中发挥重要作用。