热电材料研究发展到今天,寻找热电性能优异的n型氧化物热电材料是当前的主要目标,在传统的材料研究方法中,通过实验和模拟所产生的数据量为新的材料研究范式奠定了基础,这些实验和模拟所产生的“大数据”为数据驱动技术在该领域的应用提供了前所未有的机遇。本文采用Pymatgen材料计算程序包获取到高通量材料计算和数据共享平台Materials Project中和材料性能有关的各项数据。在考虑了材料数据的结构差异、原子数量差异之后,在保证数据的特征值维度一致的情况下,从OQMD数据库中获取到一组合适的材料描述性参数（描述符）构建数据集。基于获取到的数据,使用机器学习中的分类算法对已获取的材料数据进行分析,判断出SrTiO3有成为高温氧化物热电材料的潜能。材料的掺杂改性一直是材料研究中的重要课题,由于（SrO）m（SrTiO3）n材料作为层状钙钛矿材料,其结构易调整,可以进行新型材料设计。在保证m+n=20的前提下,本文通过改变（SrO）m（SrTiO3）n中的SrO原子层层数,同时改变SrO层在晶胞中的位置,一共设计了 4496个不同结构的（SrO）m（SrTiO3）n超胞,由于SrTiO3中SrO原子层和SrTiO3原子层层数上的差异,以及SrO层和SrTiO3层在晶胞中位置的差异,不同结构（SrO）m（SrTiO3）n的性能存在明显差异,并显示出一定的变化趋势。应用机器学习中的回归预测算法预测不同结构（SrO）m（SrTiO3）n材料的热容值,通过比较不同算法的表现,在众多算法中,强学习器在数据量较小的情况下,也能有很好的表现,但相较于弱学习器需要更多的训练时间,而神经网络可以通过调整网络结构,在较少的训练时间下,就达到非常高的准确率。由于训练好的机器学习模型能达到很高的准确率,几乎可以替代传统的计算模拟,表明将机器学习算法模型应用到热电材料的研究中,能有效缩短研发周期,在材料结构不断复杂化,材料数据不断庞大的今天,这种新的研究范式非常适合于应用到材料研究中。