高熵合金因其能够形成简单的相结构而具备高硬度、高强度和耐腐蚀性等优异性能,有着良好的应用前景。多主元设计的高熵合金,虽然提高了材料的成分空间,但也对材料的优化设计增加了难度。目前,传统试错法和一些计算方法,如相图计算、密度泛函理论、分子动力学等对于指导高熵合金成分设计和发现优异性能往往存在成本高、花费时间长的弊端,所以,需要研究出一种新的手段以加速研究高熵合金的组分空间。近几年,随着对高熵合金的深入研究,积累了大量的实验数据,由此导致了基于数据驱动的机器学习和高熵合金领域的交叉融合。对于高熵合金相结构和硬度属性,目前对它的研究依然面临模型预测精度低、学习效率低和泛化能力差等问题。鉴于此,本文将通过搭建不同的模型方法,寻找预测高熵合金相结构和硬度的最优机器学习模型,尽可能的提升模型预测精度,减小误差,并结合实验去验证模型预测的可靠性,为今后高熵合金相结构预测与高硬度合金的设计开发提供一种新的途径。针对高熵合金相结构预测,本文搭建了5种关于高熵合金固溶体相和非晶相的预测模型。使用随机森林方法对特征重要性排序,结果显示,价电子浓度和混合焓在高熵合金相预测中发挥重要作用;采用混淆矩阵、ROC曲线（receiver operator characteristic curve,ROC）和P-R（precision-recall,P-R）精度召回曲线对模型进行评估,发现随机森林能有效区分体心立方相、面心立方相、混合固溶体相（面心立方相+体心立方相）和非晶相,准确率为0.87;采用最优模型对Co Cr Fe Ni Alx（x=0,0.5,1）系高熵合金相结构进行预测,结合表征实验观察了Co Cr Fe Ni Alx的微观结构,结果表明,随着Al含量变多,合金的相结构由面心立方相结构向体心立方相转变,与随机森林模型预测结果一致。对于高熵合金硬度值预测,本文建立了5种回归模型,特征重要性分析结果表明,Al元素在机器学习预测高熵合金硬度时起重要作用;以均方根误差（RMSE）和决定系数（R~2）作为衡量模型性能标准,经评估发现,极端梯度提升模型（XGBoost）在硬度预测中性能优于其他模型,决定系数R~2达到0.97,RMSE为41;最后对Co Cr Fe Ni系高熵合金进行维氏硬度测试,结果表明实验硬度与预测硬度的相对误差在10%以下,验证了XGBoost模型对于高熵合金硬度预测的可行性。本文基于机器学习与实验结合的方法,最终优化的模型性能相较于前人的研究有一定的提升,实验表征结果验证了模型的可靠性与可行性,为未来进一步预测高熵合金其它性能提供很好的参考价值。