金属卤化物钙钛矿由于具有优越的光电和热电转换效率,在光伏和热电等能源应用领域备受关注。然而由于这类材料较大的带隙和热导率,很难通过常规方法进一步提高其热电优值。声子晶体作为具有人工周期性的超结构材料,为控制声子色散、抑制晶格热导率以及提高热电性能提供了一种全新途径。机器学习擅长发掘复杂系统的隐蔽规律,是替代大规模数值计算和降低实验成本的优选方案。因此,通过构造声子晶体降低材料热导率,利用机器学习快速预测声子晶体热输运性质,可以有效提高并快速评估金属卤化物钙钛矿的热电转换效率。鉴于此,本论文首先借助第一性原理和实验表征手段系统研究了无铅卤化物双钙钛矿的弹性性质;然后基于弹性性质利用有限元和格子Boltzmann方法研究了杂化钙钛矿声子晶体的热输运性质;最后为了克服研究声子晶体输运性质的海量数据计算问题,利用机器学习方法来实现对金属卤化物钙钛矿热输运性质的快速预测。本论文的主要研究成果和创新点如下:（1）无铅卤化物双钙钛矿Cs2AgBiBr6的弹性性质通过第一性原理方法计算了Cs2AgBiBr6的弹性常数,进而获得材料的杨氏模量、剪切模量、泊松比和体模量。结果分析表明,立方相Cs2AgBiBr6钙钛矿具有明显的弹性各向异性,其来源于晶体结构的各向异性;纳米压痕和高压同步辐射粉末X-射线衍射实验证实了该计算结果。此外,通过比较分析得出Cs2AgBiBr6的刚度、硬度和弹性性质整体上都优于溴化物MAPbBr3（MA=CH3NH3）,这归因于前者中相对较强的Ag-Br和Bi-Br键导致框架刚度增强。（2）MAPbI3声子晶体的热输运性质开发基于MAPbI3的声子晶体,并通过优化基体（MAPbI3）和散射体（真空）的结构来调制其热输运行为。跨尺度模拟结果表明,在低温条件下具有较大尺寸散射体,较低对称超结构、基体和散射体的MAPbI3声子晶体可以获得较低的相对热导,特别是基于正交相MAPbI3的正方形晶格和三角形孔的声子晶体的相对热导可以低至10.7%。此外,当MAPbI3由四方相向立方相转变时会引起MA+阳离子的无序程度增加,导致声子群速度发生显著增大,进而使声子输运的主要方式从扩散输运逆转为准弹道输运,导致相对热导发生反常降低。本文所提出的声子晶体为设计杂化钙钛矿的热导率和提高相关器件的性能提供了一条新的途径。（3）机器学习快速预测金属卤化物钙钛矿声子晶体的热输运性质由于传统数值方法计算量巨大,无法实现快速预测各向异性声子晶体的热输运性质。本文发展了基于材料弹性常数的机器学习方法来快速预测卤化物钙钛矿各向异性声子晶体的能带结构和热导性质。在能带结构和热导性质的预测中,人工神经网络预测误差相对较小,预测结果的峰值位置和变化幅度与有限元方法的结果基本符合。基于此方法,从63个材料数据集中成功地筛选出相对热导各向异性最强的材料MA2CuBiI6,其相对热导的最小值和最大值分别为13.2%和33.9%。此方法成功建立并训练出一个能映射晶体弹性常数和声子晶体色散/热输运性质的力学-热学模型,该模型可以实现对声子晶体热导性质的可靠快速预测。