高熵合金由五种及以上合金主元组成,是一种具有高强度、高硬度和优异的耐腐蚀性的新型合金,决定其合金表现的正是高熵合金的相组成。传统的高熵合金制备方法试验周期长,成本投入大。因此,在较短时间内准确的进行高熵合金的成相预测一直是高熵合金领域的关键研究因素。近年来随着机器学习的发展,不少材料设计人员将机器学习算法引入到高熵合金的成相研究中。然而合金的标记样本往往需要较高的成本投入。除此之外,不同的机器学习算法对于同一个合金样本的预测结果可能产生冲突。这些不一致的冲突结果将大大的影响材料设计人员的材料设计进程。因此,本文基于DS证据理论和协同训练进行了高熵合金的成相研究,主要内容如下所示:（1）针对高熵合金标记样本制备成本高,合金样本获取困难的问题,提出了交叉式高熵合金小样本成相预测方法。该方法中首先提出了改进的食肉植物算法。之后结合了协同训练的学习策略构建了交叉式高熵合金成相预测模型。该模型将高熵合金标记样本和未标记样本进行了结合应用,采用交互式训练的方法进行迭代成相预测。（2）由于不同机器学习算法的学习能力不同,不同算法对同一样本的预测结果可能产生冲突。本文采用基于改进的DS证据理论构成的冲突化解模型来解决高熵合金的成相预测结果冲突。该方法在样本的预测结果发生冲突时,能够有效地化解冲突结果,并且为每个高熵合金样本提供更可靠的结果。（3）考虑到基于机器学习算法的数据驱动模型具有强的学习能力,但是泛化性差的特点。提出了将基于经验知识的机理模型和基于机器学习算法的数据驱动模型结合的高熵合金混合预测模型。该模型融合了数据驱动模型的强学习能力和机理模型的高泛化性的优点,具有不错的可解释性和鲁棒性。同时在成相预测实验中,相比单一的数据驱动模型具有良好的预测性能。