近年来,高熵合金因其独有的优异性能获得了广泛关注。当前对于高熵合金的研究往往是实验合成或者复杂的理论计算,但是前者需要消耗大量的时间与材料成本,甚至对于实验设备也有较高要求,后者的计算过程耗时耗力且有一定局限性。随着人工智能与计算机技术的飞速发展,机器学习在材料研究与设计中逐渐展现出革命性的优势,获得了研究者的极大兴趣。因此,基于机器学习算法进行高熵合金成分设计以期达到高硬度具有十分重要的研究意义。针对常见的Al-Co-Cr-Cu-Fe-Ni体系高熵合金,本文首先搜集了现有文献报道的六种特征筛选方法:皮尔逊相关系数、单变量特征选择、稳定性选择、前向序列选择、后向序列选择以及遗传算法。基于这六种方法分别对收集的20个物理特征进行特征筛选,找出最优的特征组合,并且对各个方法应用的耗时性与结果的准确性进行了比较分析,进而总结出它们各自的优缺点与适用范围。通过上述比较研究,发现遗传算法在高熵合金硬度预测的特征筛选问题上具有相对较好的综合效果。其次针对研究过程中发现的遗传算法的不足之处,本文提出了四种不同的改进遗传算法,经过验证其性能明显优于之前应用的普通遗传算法。再其次使用支持向量回归模型基于筛选出的最优特征组合构建硬度预测模型,模型的回归系数为0.96,预测的均方根误差可以达到50.468672。使用该模型在巨大的Al-Co-Cr-Cu-Fe-Ni体系高熵合金虚拟空间中进行硬度预测,并且成功搜索出了6个有相对较高硬度的高熵合金,其中最高的硬度预测值为791.5322HV,相较于原始数据集中的最高硬度值有一定的提升。最后本文通过大量的计算分析发现特征组合中特征与硬度之间的关系。同时本文进行了机器学习模型和改进遗传算法的验证,证明所选模型和改进遗传算法的合理性。