在自旋电子学研究中,一直期望能找到更多高度自旋极化的材料,并且具有高于室温的居里温度以保证在日常中使用。当前,机器学习正在成为帮助材料设计和挖掘的重要方法,受到广泛重视和应用。把机器学习用于自旋电子学材料研究,有助于加快研究的步伐。本文采用机器学习方法结合高通量第一原理计算,在四元Heusler合金中寻找高自旋极化,居里温度高的稳定材料。通过使用开放量子材料数据库中收集的约43000种材料训练、验证和测试机器学习模型,以找到结构与稳定性之间的关系。研究中运用最近邻回归、决策树回归、随机森林回归和深度神经网络等机器学习方法,采用已得到的数据集,通过使用多种指标（如皮尔逊相关系数、决定系数和平均绝对误差）对这些模型的性能进行了统计评估。对比后发现,深度神经网络模型取得了0.99的皮尔逊相关系数,平均绝对误差仅0.021 e V/atom,表现最好。在此基础上,最终采用基于深度神经网络模型的机器学习方法进行研究。使用已经获得的性能最佳的深度神经网络模型对24480种候选材料进行筛选,得到了4651种有可能经实验合成且稳定存在的四元Heusler材料。然后利用基于密度泛函理论的第一原理计算方法对这4651种材料进行高通量计算,发现了189种可能的高自旋极化率材料,包括149种半金属,15种磁性半导体以及25种自旋无带隙半导体。进一步通过平均场理论估算居里温度,发现这些材料中有144种材料高于或接近室温。最终,进一步对得到的16种温度最高的磁性半金属和磁性半导体材料的声子谱进行研究,发现这些自旋电子学材料均是动力学稳定的。这些结果表明论文工作设计的这一套流程是可行的,能够充分利用现有开放数据库资源使用机器学习做数据挖掘,从而高效低成本地进行自旋电子学材料的研究,帮助提高自旋电子学材料的设计和开发效率。