材料的组分和晶体结构决定了材料的性能,因此晶体结构表征是材料发展的重要任务之一。粉末X射线衍射（XRD）是阐明晶体结构的主要实验技术,使用该技术获得的晶体衍射数据可以用于识别特定的数据和相组成,通过分析XRD图像来获得晶体结构信息会涉及到峰的标定、空间群确定、晶体结构初始参数估计等几个步骤。目前XRD分析技术在很大程度上仍然是手工的、耗时的、容易出错的,而且无法扩展。通过机器学习的方法,可以大大加快人们手工分析的过程,并有助于实现高通量实验。人工智能可以对XRD进行识别和分类,加速了XRD分析的速度,大大加速材料分析的进程。本文提出了一种基于机器学习进行晶体结构分类的方法,通过收集大量的数据和使用经研究设计的特征工程,建立多种分类模型进行晶体结构的分类预测和相的识别,帮助后续实验人员更快将复杂的X射线衍射图谱识别出晶体结构以及相组成。通过爬虫技术从Materials Project和ICSD上爬取了13万多条XRD数据,同时还包括了化学式、空间群、晶体系统等。将这些数据进行清洗和筛选,并选取了2θ范围为0°～90°的所有衍射峰,去除一万个左右的原子位置缺失的数据等方法,最后一共使用了10万多张XRD图谱,建立特征工程后,使用了KNN、决策树、随机森林、逻辑回归算法、卷积神经网络对晶体空间群结构进行分类,对相结构进行预测。在多晶系分类上准确率最高达到93%;在预测点群和空间群上准确率最高达到90%;在预测相结构上,基于X射线衍射的特性,使用数据扩增技术将实验XRD数据增加到3万个,通过卷积神经网络成功将XRD多相混合物进行预测,成功率最高能达到99%。对机器学习中的材料数据管理的价值性、数据的完整性、数据共享及更新、数据检索的快速性等方面进行了分析和研究,开发了去中心的材料数据库系统DMDB。本研究设计以Ethereum,My SQL,IPFS为存储层,以Java微服务系统为调度中心的系统架构,并编写了以下几个模块:账户认证与鉴权、文件上传及上链、预测模型微服务、后台模块的开发等等。主要功能为:用户检索机器学习材料数据、上传材料数据、下载数据、预览XRD数据和在线预测晶体结构和相组成。DMDB数据库解决了材料机器学习中数据量不够,源数据未清洗等问题,通过区块链技术实现去中心化从而提高数据价值,根据材料的特性,建立合理的数据库字段,从而加速人工智能在材料领域的研发过程。