传统高温合金材料的开发是根据生产经验来设计合金的元素成分和工艺参数。高温合金制备成形后,通过拉伸测试和硬度测试等实验方法测定该合金的性能,然后不断重复上述步骤来确定最好的元素成分和工艺参数,此过程中存在成功率低、时间消耗大、计算成本高等诸多问题。近年来,以数据驱动的机器学习方法已成功地应用于材料性能预测、新材料发现以及其他用途,节省实验成本和时间消耗,推动高温合金材料的发展。但获取数据需要大量投入且实验成本较高,大多数情况下数据存在缺失的情况。因此,在有限的监督下,需要研究如何利用机器学习方法建立高温合金材料性能预测模型。本文所研究的数据来自中南大学粉末冶金国家重点实验室,实验数据存在一定的缺失。本文首先使用集成树回归模型结合贝叶斯优化的方法对铸造高温合金材料性能进行单标签预测。在每个标签单独建模预测的过程中,将缺失标签的样本进行删除。在随机森林、GBDT、XGBoost和Light GBM模型上进行对比实验,选出预测效果最佳的模型,并通过贝叶斯优化方法进行模型参数的优化。然而,删除标签缺失的样本后样本量减小,可能失去部分信息,影响模型的预测性能。经过统计分析发现,不同的合金性能之间存在相关性。基于此,本文提出了基于深度神经网络模型的多标签预测方法。为了充分利用已有标签的相关信息,保留缺失标签的样本,针对标签存在缺失的问题改进了损失函数,并验证该方法的有效性。实验结果表明:在标签存在部分缺失的情形下,充分利用已有的标签信息,相比于单标签建模预测方法,基于深度神经网络模型的方法实现了同时预测多个标签,而且提高了准确性。该方法具有一定的实用性,是一种预测铸造高温合金性能的有效方法,有利于铸造高温合金材料的应用与开发。