材料的合理设计是现代材料科学与工程学科追求的终极目标。使用传统的方法发现材料的过程周期长且结果不可控,缺乏合适的方法来快速准确的预测已有的物质是否能合成预期的材料。本论文以合金固溶度数据为研究对象,通过提出原子指纹法与改进密度聚类算法,最终能够提取出符合材料科学在合金固溶度数据领域的知识信息。主要内容体现在以下几个方面:首先,对合金固溶度数据的特征提取研究。合金固溶度数据常用的特征包括原子尺寸、电负性、化合价、晶体结构。通过查找并整理国内外有关合金固溶度数据的研究进展、关键问题和技术方法,针对合金固溶度数据密度不均匀、属性之间相互关联,属性内蕴含信息复杂的特点。本文深入研究了国内外文献在机器学习领域对晶体结构特征提取的方法,提出原子指纹法,结合第一性原理与分子动力学相关知识,使用相图数据库的数据信息,对原始原子指纹法进行归一化处理,提出归一化的原子指纹方法,将晶体结构特征从三维转换为一维,且尽量减少降维带来的数据损失。其次,对峰值密度聚类算法的改进研究。本文根据合金固溶度数据的特征,结合国内外密度聚类算法的最新研究情况,对原始CFSFDP算法进行了两点改进。针对快速峰值密度聚类算法的聚类中心点和聚类个数依据决策图人工选取的缺点,提出了基于核心点快速峰值密度聚类算法（RD-CFSFDP）;针对合金固溶度数据的自身特性,不同的数据特征对固溶度值的影响程度不同,本文在基于RD-CFSFDP算法的基础上,提出了基于信息熵加权距离的ERD-CFSFDP算法。分别使用不同的数据集对这种改进算法进行实验研究,对比实验结果,表明算法能够较好的对合金固溶度数据进行聚类,研究聚类结果,并从聚类结果中提取出了符合材料化学理论的聚类知识信息。