钙钛矿发光二极管因为制备方法简单、成本低、具有较高色纯度等优点,受到了越来越多的科研人员的关注。红光和绿光钙钛矿最高的外量子效率已经达到了20%以上,逐渐接近可以商用的水平。然而,蓝光钙钛矿材料效率较低、光谱稳定性也较差,限制了钙钛矿在全色显示及照明领域的应用。机器学习作为人工智能的一个分支,可以高效处理庞大的数据集,建立变量与结果之间的量化模型。为了高效开发蓝色准二维钙钛矿材料,本论文将机器学习与实验相结合,基于已有研究数据建立机器学习模型并对准二维钙钛矿的发光光子能量进行预测;进而,利用预测结果指导实验制备蓝色钙钛矿发光材料,并验证了机器学习模型的预测结果,证明了机器学习在高效开发钙钛矿材料方面具有的潜在价值。本文的主要工作如下:（1）基于机器学习不同的算法,建立了准二维钙钛矿材料发光光子能量的模型。基于文献报道的蓝光准二维钙钛矿材料相关数据建立了机器学习数据集,提取了七个特征包括光子能量,Cs在A位离子中所占的比例（Cs/（Cs+FA+MA）,Cs比）、Cl离子在卤素元素中所占的比例（Cl/（Cl+Br）,Cl比）、有机间隔阳离子种类等,采用四种机器学习算法进行训练,利用均方根误差（RMSE）和皮尔逊系数（r）对算法进行评估。通过数据挖掘和算法超参数优化,得出随机森林算法的预测最为准确（在测试集上的RMSE=0.44,r=0.90）。采用优化的随机森林模型,对穷举的特征范围组合预测了其对应的准二维钙钛矿的光子能量,并探讨了有机间隔阳离子在极性溶剂中的溶解度相关参数（XLog P3）、Cs比和Cl比等对钙钛矿材料光子能量的影响及其机制。（2）基于机器学习模型设计了一系列不同组分的准二维钙钛矿材料,获得了蓝色发射,并对预测结果进行了验证。通过调节有机间隔离子的XLog P3值、Cs和Cl在准二维钙钛矿材料中的占比,我们制备了一系列不同组分的准二维钙钛矿薄膜。采用光致发光谱和吸收光谱测试了不同条件下的光子能量和带隙,验证机器学习的预测结果。同时,获得了多个发光波长在440-480nm范围内的蓝色发光材料。这些研究证实了机器学习模型对钙钛矿的光子能量预测的指导性。本论文有图22幅,表6个,参考文献71篇。