一种基于机器学习和改进遗传算法特征筛选的高熵合金硬度预测方法，涉及材料性能预测技术领域，本发明为了高效预测HEA的硬度、降低预测误差而提出的。技术要点：收集多个HEA的成分与硬度信息，并由高熵合金所包含的元素成分和元素本身固有性质计算得出物理特征用作原始数据集；采用带有径向基核函数的支持向量回归作为预测高熵合金硬度的ML模型；对遗传算法进行改进；将ML模型代入到改进遗传算法的适应度值计算中来计算每一个个体的适应度值，通过特征重要性来提升初始种群的质量、加强迭代过程中的搜索能力，以选择出预测效果优异的特征组合。将新开发的改进遗传算法与传统遗传算法及其它具有代表性的特征选择方法进行比较。结果表明本方法有效地降低了预测误差。