FeCrAl系不锈钢由于其良好的抗辐照性能和高温热稳定性,能够适用于多种堆型的新型核反应堆。尤其是在FeCrAl系不锈钢中添加Y2O3纳米氧化物颗粒制备而成的FeCrAl ODS不锈钢,由于其较高的服役温度（＞700℃）成为了第四代裂变堆燃料棒包壳的重要候选材料。目前,传统的材料设计主要依靠经验法或试错法,往往造成时间和实验成本上的浪费,因此急需一种新型的合金设计思路以快速准确地进行合金设计。机器学习（ML）方法可以通过发现用户定义的材料特征与其性能之间的相关性,为快速的合金设计、微观结构优化、性能优化等提供极大的帮助。只要收集足够的训练数据并构建合理的预测模型,就可以快速预测材料的最佳成分、微观结构和性能,从而大大节省人力和物力,进而加速材料研发。因此本文采用机器学习对FeCrAl系不锈钢的基体成分进行了快速筛选和设计,系统评估了各模型（BP神经网络、RBF神经网络）在设计不锈钢时的精度,并采用遗传算法对上述机器学习模型进行优化,同时系统研究了各特征值对机器学习性能的影响,从而最小化特征值数量并利用建立的神经网络优选模型确定最终FeCrAl系不锈钢的成分。为获得高致密度、大体积和富含高数密度纳米氧化物弥散相样品,采用同步热等静压方法制备出上述FeCrAl系不锈钢。为了快速获得具有多个变形量样品,采用楔形热轧的方式进行高通量制备,随后系统研究了对热轧变形量对不同成分FeCrAl系不锈钢微观结构和力学性能的影响,并结合机器学习预测结果评估其在FeCrAl系不锈钢设计中的作用。主要结论如下:（1）不同机器学习模型在在处理强度和塑性数据集时具有不同的精度。其中,RBF神经网络具有良好的强度预测精度,而塑性预测精度相对较差;BP神经网络强度模型和塑性模型的预测精度相较于RBF神经网络均有所降低。此外,遗传算法对于神经网络的遗传算法可以显著优化上述两种机器学习模型从而获得优异的预测精度。其中,遗传算法优化后的BP神经网络具有更高的预测精度。因此,选择它作为本次实验的机器学习模型,并筛选出各合金元素和测试温度作为特征值。最终确定了两种FeCrAl系不锈钢成分,分别是不含Ti元素的Fe-12Cr-4.5Al-2.0W-0.3 Y2O3和添加Ti元素的Fe-12Cr-4.5Al-2.0W-0.3 Y2O3-Ti;（2）热等静压后两样品均表现为双峰结构的铁素体基体,并形成了粗大的M23C6颗粒,基体内部还存在着高密度的纳米Y2O3颗粒,这种Y2O3颗粒具有立方结构,并且与铁素体基体存在明显的晶格失配。部分Y2O3颗粒与Al元素结合生成粗大的Y-Al-O复合氧化物。值得注意的是,Ti元素的添加优先与组织中的碳形成了Ti C,而未形成其他文献中报道的Y-Ti-O,但其纳米氧化物颗粒仍具有较高的数密度。（3）热轧后量样品中等轴晶均逐渐转变为纤维状晶粒,粗大碳化物细化,并均匀分布在晶界。晶粒内部由于连续的动态再结晶形成了许多亚晶粒。随着热轧压下量的增加,亚晶粒尺寸和变形晶粒的比例增加,导致铁素体基体中储存的位错密度和弹性能增加。同时,Y2O3颗粒和Y-Al-O颗粒并没有显著粗化,具有良好的热稳定性。（4）热等静压后,两样品在室温和700℃下测得的抗拉强度和延伸率与机器学习的预测值接近,表明机器学习计算可以有效地指导不锈钢的成分设计。同时,热轧后的两样品室温和高温力学性能（强度和塑性）显著改善。综上所述,本研究采用机器学习结合高通量的合金设计研发一种具有优异性能的新型ODS-FeCrAl合金,研究方法亦有利于为其他新型结构合金的研发提提供新的解决思路和方法学上的支撑。