聚烯烃树脂是合成材料中产量最大，用途最广的高分子材料。目前，国内聚烯烃的研究基础仍然较弱，高端化、差异化成为聚烯烃产业的主要升级方向，其中催化剂是实现聚烯烃高端化的核心关键之一。传统开发催化剂的过程采用试错法，通常所需的实验步骤较多，研发周期较长，并且催化聚合反应的实验研究成本很高，需要消耗大量资源。同时，单纯依靠人力的实验分析很难挖掘出催化剂结构与性能之间的内在关系。大数据时代，人工智能的发展势不可挡。机器学习作为人工智能的核心策略，已在很多科技领域表现出强大的预测能力，相比之下，在催化领域的研究尚处于起步阶段。由于催化过程复杂，且对理想催化剂的要求严苛，发展用于设计新催化剂的智能模型面临众多挑战。这需要我们将问题进行简化，找到催化剂分子中影响催化性能的关键结构因素，利用机器学习从数据中学习，建立模型，实现新型高效催化剂的精准设计，帮助解决传统合成法周期长，成本高的问题。本报告将介绍我们利用机器学习方法研究后过渡金属聚乙烯催化剂的工作进展。通过发展表达催化剂结构的特征描述符，针对不同大小数据集的催化剂体系，采用不同方法建立了预测催化剂聚合性能的智能模型，阐明催化性能变化的原理与机制。