Fe-Cr-Al合金因其良好的高温抗氧化性和力学性质被用做高温结构材料。近年来,由于Zr合金包壳材料中存在氢脆和高温氧化等问题,人们提出了Fe-Cr-Al合金的新应用――新型核包壳材料。随着Fe-Cr-Al合金应用领域的扩展,对其性质的优化成为重要的课题。虽然对于Fe-Cr-Al合金的研究开始于1930年左右,但目前仍缺乏对其三元相图和弹性性质的系统地理论研究。在本论文中,我们用第一性原理计算、集团变分和集团展开法、以及机器学习的方法研究Fe-Cr-Al合金的相图和弹性性质。我们结合第一性原理计算和集团变分法在全组分和全温度范围内计算了Fe-CrAl合金的三元相图。基于三元相图的结果,发现了在600K时存在一个新的三元有序相B32。Cr在Fe-Al合金中的溶解度极高,Fe在Cr-Al合金中的溶解度很低。我们在体心立方集团变分法结果的基础上辅以面心立方集团变分法的修正,发现了面心立方集团变分法只对相图的富Al区进行修正,缩小了富Al区相分区的范围。我们结合第一性原理计算和集团展开法,计算了Fe-Cr-Al合金的体模量、切模量和泊松比。通过计算发现了弹性模量与组分浓度、温度和合金对称性的依赖关系。Fe-Cr合金中体模量、切模量和泊松比与浓度呈线性关系,其中Al的溶解可以减小体模量和泊松比。体模量和泊松比随温度升高而缓慢减小,切模量随温度升高而明显减小。切模量在有序相中的取值比同浓度无序相大。从泊松比的分布,可知无序相Fe-Cr溶解少量Al的合金呈现出韧性,富Al区合金呈脆性。目前机器学习在材料领域的应用主要为无机材料性质的预测。我们采用无监督学习的k均值算法得到了Fe-Al和Cr-Al的合金相图,并发现了类似A2和B2相的序参量的特征量。我们采用监督学习的极端随机树和深度神经网络算法,建立了性质预测的层级模型,仅以二元合金的性质信息预测三元合金的相关性质。在二元测试集上,极端随机树的预测误差明显小于深度神经网络的预测误差。通过选择合适的特征向量训练模型,使得在三元测试集上体模量和切模量的预测结果与集团展开法计算的结果相比相对误差均在10%以内。从预测模型特征向量中发现体模量的影响因素为组分浓度和温度,而切模量的影响因素为组分浓度、温度和对称性。