改善材料的耐候性,预测材料在自然环境下的失效时间,从而保证工程的安全性和高效性,一直是材料失效研究的重要课题。而将机器学习技术与材料失效研究相结合是顺应时代发展需求的研究热点,本文综述了机器学习在材料失效研究中的应用现状,总结了利用机器学习算法对材料失效数据进行分析的一般步骤和方法,探讨了大气环境下材料失效与其实际使用环境之间的关系,从宏观数据的角度研究了不同环境因素对材料失效的影响。将易学易用、且具有开源的代码生态和众多成熟的集成模型的Python作为计算工具为材料学研究提供帮助已逐渐成为一种趋势。本文首先使用Python中集成的Extra Trees算法对不同大气环境下高分子材料试样在实际暴露实验过程中收集的材料性能参数(PC试样的力学性能和聚酯涂层的光泽度)、气候环境参数(温度、湿度、辐照、降雨量和降雨时长等)和污染物环境参数(硫酸盐化速率、海盐粒子和降尘量等)进行环境因素影响量化分析,筛选出对相应性能影响较大的因素,然后通过多层感知机神经网络算法建立模型对材料的耐候性进评价,降低求解难度的同时增加结果的准确性。分析结果表明:一.Extra Trees算法可以应用在环境因素对涂层外观性能和PC试样的力学性能影响的研究上,其计算结果合理、可解释。模拟计算的结果认为:1.紫外辐射、水溶性降尘量和硫酸盐化速率是聚酯涂层失光率劣化的关键参数;2.降雨时长是聚酯涂层减薄的关键参数;3,紫外辐射和降雨时长同是使PC试样拉伸性能、冲击性能和弯曲性能劣化的关键因素;二.应用Extra Trees算法研究环境因素对材料性能的影响时,可将实验周期与环境因素一同作为输入参与计算,增加数据间的差异性的同时还可得出材料性能对环境的耐受程度;三.Extra Trees算法得出的重要性参数可以指导在后续计算中更合理地使用数据,并改善其他机器学习模型的性能;四.对于自然环境下材料失效问题一般情形下的数据规模,可通过对所有可能的具有高性能的组合进行循环实验以找到机器学习模型的最佳超参数;五.开发了材料的环境腐蚀与老化数据分析程序,实现了环境因素影响量化和材料耐候性分析两个主要功能。