综述了人工智能（artificial intelligence，AI）在材料成分与结构设计、性能预测、合成优化及工业实践中推动材料研发从经验试错向智能设计范式转型的前沿进展。通过融合数据驱动方法、物理嵌入建模与自主实验系统，AI实现了跨尺度性能高精度预测、极端性能材料的逆向设计、合成工艺智能优化及缺陷无损检测等，显著缩短了研发周期并突破了传统试错研发周期长、实验成本高且难以系统逼近材料性能极限等瓶颈。归纳了AI在稳定晶体高效筛选、辐射制冷材料定向开发等典型案例中的利用晶体图神经网络高效筛选大量稳定化合物，以及通过深度生成模型实现性能创纪录的辐射制冷材料逆向设计等突破，阐述了少样本学习、迁移学习及物理机理融合等技术对数据稀缺和多尺度建模等挑战的应对方案。未来，AI将推进材料研发向数据驱动、自主决策和智能迭代的高阶范式加速跃迁。

基于人工智能（artificial intelligence，AI）技术的微观组织识别及定量化兼具高精度和高效率的优势，有力推动了高通量组织分析技术的发展。聚焦AI辅助金属材料组织图像分析这一新兴领域，以微观组织由定性分析逐步向精细定量分析的发展为脉络，系统综述了传统机器学习分类算法、深度学习分类算法、目标检测算法、语义分割算法在金属材料微观组织分类、识别以及定量化方面的研究进展，尤其重点论述了广泛采用的语义分割算法的研究现状；同时，针对AI算法在材料微观组织图像分析领域面临的组织复杂度高、标注样本匮乏等瓶颈问题，介绍了数据增强、模型架构改进等方面的创新策略及其应用效果。最后，总结和展望了基于AI的微观组织图像分析方法目前存在的不足以及未来的发展方向。

增强成形性双相钢（DH钢）是在双相钢（DP钢）基础上研发的先进高强钢，以满足汽车复杂形状零件成形对材料塑性的更高要求。目前，抗拉强度980 MPa级别的DH钢已实现规模化生产，抗拉强度1180 MPa级别的DH钢研发受到广泛关注。采用面向性能的机器学习方法，设计了一种1180 MPa级DH钢的化学成分和制备工艺参数，并通过可解释性机器学习分析了材料显微组织特征与力学性能之间的内禀关系。首先，基于文献数据，采用神经网络算法构建成分/工艺−性能预测模型，并采用多目标遗传算法高效设计了新型DH钢的化学成分。然后，基于新型DH钢的制备工艺参数正交实验结果，采用随机森林算法构建了以工艺参数为输入的抗拉强度和断后伸长率（A₈₀）预测模型，通过多目标遗传优化算法得到了较优的制备工艺参数，即卷曲温度510℃、退火温度860℃、退火时间160 s、缓冷温度715℃、过时效温度340℃、过时效时间110 s。设计的新型DH钢具有优异的强塑性匹配，抗拉强度和断后伸长率分别为1214 MPa和15.5%。最后，采用SHAP分析揭示了组织特征对力学性能的影响规律，为先进高强钢的设计和组织性能调控提供理论参考。

随着数据资源获取、深度学习演化和模型推理生成等技术的不断发展，数据驱动方法凭借其在挖掘高维非线性关系、构建代理模型及处理多模态数据方面的独特优势，为纤维增强复合材料的性能预测提供了强有力的工具。系统介绍了该领域的研究进展，对复合材料关键参数的数字化表征方法进行梳理，重点描述了材料本征参数归集、图像驱动特征提取、物理信息特征工程以及跨尺度数据驱动4类数字化表征方法，评述了数据驱动模型在复合材料力学、热学、声学及电学性能预测中的建模策略和预测精度，阐述了可解释性分析与不确定性量化技术在增强模型透明度、量化预测风险方面的工程意义，并展望了构建多尺度融合、物理引导与主动学习相结合的可解释机器学习框架等方向，以期为数据驱动方法在复合材料性能预测领域的深化应用提供从理论基础到工程实践的完整视角。