伴随化石能源的大量消耗,当前世界面临着能源耗竭和化石燃料燃烧产生的环境污染两大问题。氢气是一种公认的具有高能量密度的清洁能源,来源丰富,被认为是很有前景的化石燃料的替代品,且其燃烧生成物不会对环境造成污染。目前,电解水制氢被期望成为实现绿色工业化制氢的最佳途径,而开发低成本、高效的电解水催化剂则是提升水裂解效率的重要因素。本工作主要利用密度泛函理论计算（Density functional theory,DFT）和机器学习方法探索了潜在的过渡族金属掺杂Ni O的析氢催化剂,并基于计算和预测的结果制备了Ru-Ni O,测试其电解水催化性能,降低制氢过程中的能耗。论文的主要研究内容如下:（1）基于DFT理论计算和机器学习集成的方法,系统地筛选了潜在的过渡族金属掺杂Ni O的析氢催化剂,揭示了影响该材料体系性能的主要因素。应用第一性原理计算了十二种常见的过渡金属（分别位于3d、4d和5d）掺杂的Ni O对于H*的吸附能,对其析氢性能进行了综合研究,基于对17个简单的元素物理化学性质的特征进行筛选后保留下的特征描述符集合建立了线性和非线性预测模型。利于数据驱动的线性模型的预测方程与特征重要性分析,揭示了掺杂原子的标准升华焓、s轨道的Zunger-Cohen轨道半径和p轨道的Waber-Cromer轨道半径与催化剂活性之间所具有得较强关联关系,1-MAPE和RMSE分别为84.1%和0.2190 e V。一般情况下,一个合理的非线性学习模型至少需要50个数据点,因此应用了支持集使得卷积神经网络适用于小样本的训练,其训练集和测试集的1-MAPE均达到了97%以上,这一结果表明构建的模型得到的结果十分准确。且大大缩短了DFT高通量计算所需的时间,为催化剂的设计和筛选提供了一定的数据参考。（2）基于DFT理论计算和模型预测的结果,采用阳离子掺杂的优化策略在降低成本的同时制备了一种高效的析氢（Hydrogen evolution reaction,HER）和析氧（Oxygen evolution reaction,OER）双功能催化纳米材料Ru-Ni O。将Ni（OH）2退火形成Ni O,随后通过湿法刻蚀和再次退火的方法,制备了Ru均匀掺杂分布的二维纳米片阵列。掺杂原子的引入调整了材料在碱性溶液中水解离的活性位点,改善了材料的导电性,电荷转移过程加快,优化了催化反应过程中中间体吸/脱附的反应势垒,同时,促进了氧空位的形成从而提高了材料的活化能力。催化剂在HER和OER的反应过程中分别需要25m V和234 m V达到10 m A cm-2的驱动电流密度,表现出较为优异的双功能催化性能,将其作为电解水的阴极和阳极组装全水解系统,仅需1.53 V（vs.RHE）的驱动电势即可达到同等电流密度,优于基准催化电极对Pt/C||Ru O2和Pt/C||Ir O2。