在材料领域,以材料数据挖掘、高通量计算筛选、计算材料模拟设计和人工智能为核心的虚拟材料设计技术,已经广泛应用在新材料设计、制备合成工艺调控等研发中,其效果远超人们所想。虽然我国提出材料基因工程计划,加快材料发展进程,但在数字化方面还落后于发达国家。因此,在推进我国材料信息化建设过程中,如何构建合理的材料数据库,如何通过高通量计算实现数据的快速累积,如何使用合适的机器学习算法,以便更好的帮助材料工作者成为当前亟需解决的问题。本文主要是通过搭建高通量与机器学习一体化平台,通过材料数据库中的数据进行高通量计算,实现数据扩充与累积,并在此基础上结合机器学习算法进行数据挖掘与实验模拟,具体内容如下:（1）设计和搭建高通量计算部分:可视化的供用户选择一个或多个需要计算的材料物质,在数据库中提取有效的计算数据,自动化生成高通量输入文件,生成多个输入文件包,并行提交到计算队列中运行。这极大的改善了传统手动构建输入文件包,手动提交的低效率情况,并且对于输出文件包也进行了处理,可视化地展示运行状态,便捷地对高通量计算结果解析,将计算之后的材料数据回存至数据库。该部分首先加快了数据库中的数据累积过程,从而为后面的机器学习与数据挖掘提供数据基础。其次数据库方面也是高通量计算的基础部分,它通过网络爬虫技术进行初始数据获取,对材料数据整体分析。本文参考了当前流行的材料平台Material Project的数据库,采用MongoDB数据库进行数据的存储整合。（2）设计机器学习模块:将现有流行的机器学习算法与材料数据进行结合,并将机器学习代码中关键参数与前端界面结合,让用户可以方便地进行可视化机器学习。同时针对材料数据量稀疏的问题,设计了材料数据自动扩充功能。根据相关实验结果显示,传统机器学习算法更适合稀疏数据量的材料数据,所以本文的平台加入了以支持向量机、决策树和随机森林等算法为基础并进行部分改进的方法,可以更好的帮助材料工作者的工作。通过反复测试,本文设计的材料高通量计算与机器学习一体化平台的功能完善,高通量计算功能能够切实帮助材料工作者快速大量的进行材料计算,机器学习功能能够帮助使用者进行数据挖掘工作,并且元素数据扩充功能可以有效的提高训练的准确性。平台已在中国科学院上海硅酸盐研究所服务器上成功部署,并为所内学生的一篇论文提供数据支持。