在材料的发现中,探索材料的结构、组分和性能的关系是非常关键的,机器学习可以作为一种有效的工具。然而,传统机器学习的复杂性和模型可解释性的缺乏,使得很难推导出简单的描述性公式。钙钛矿材料因其在燃料电池和电催化方面具有很多出色的性能而受到许多研究学家的关注。热力学稳定性是一个关键参数,它广泛地决定了材料是否有望合成,以及在一定的操作条件下是否会分解。热稳定性和化学稳定性,在很大程度上取决于材料的形成能。带隙是决定钙钛矿材料光学性能的一个重要参数,它控制各种光电器件的性能。在高温燃料电池技术中,氧空位形成能是实现氧快速扩散和氧催化的重要指标。基于第一性原理的高通量计算（DFT）得到较高精确度的形成能、稳定性、带隙和氧空位形成能,需要花费大量的时间和精力,效率很低,而且通过实验来获取大量钙钛矿材料体系的形成能、稳定性、带隙和氧空位形成能也不现实。所以基于人工智能的机器学习预测方法就成了一种高效的替代方法。本文的主要内容包括以下方面:第一部分,本文提出了一种新方法,将暴力特征工程和线性回归相结合来探索钙钛矿材料的结构、组分和性能关系。探讨了钙钛矿的热力学稳定性、晶格常数与其他特征的关系。利用暴力特征工程构造大量新的描述符,通过特征选择得到重要的描述符子集,然后通过线性回归算法找到了最优描述符,得到了热力学稳定性和晶格常数的新表达式。第二部分,对特征进行了比较,选取有效特征作为描述符,建立了基于随机森林（RF）、梯度提升回归树（GBR）、自适应增强算法（AdaBoost）、分类梯度提升树（Cat Boost）和极端梯度提升树（XGBoost）等不同机器学习算法的预测模型。研究其与ABO3钙钛矿化合物的形成能、稳定性、带隙和氧空位形成能之间的关系,并得到具有较高准确性的模型,对这四种关键性能进行预测。借助训练好的机器学习模型,找到了影响钙钛矿性能的关键特征。结果表明,这种将暴力特征工程和线性回归相结的方法可以在没有先验知识的情况下探索材料的结构、组分和性能关系,加速了材料的发展,为材料的探索和研究提供了一种新方法。在对钙钛矿性质预测的研究中,该模型具有非常高的准确率,可以广泛应用于需要进行大批量性能预测的钙钛矿材料研究中。