陶瓷涂层在极端环境应用中面临硬度与韧性难以兼得的挑战，而利用高熵材料的鸡尾酒效应有望突破这一难题。然而传统试错法开发周期长，且缺乏高效准确的韧性评价方法。为此，本研究通过机器学习与多目标优化协同策略，获得了兼具强度与韧性的陶瓷涂层。针对超硬涂层的设计难题，本研究通过机器学习与高通量实验相结合，实现了超硬高熵氮化物涂层的快速筛选设计。针对(AlCrNbTaTi)N五元体系，采用随机森林算法预测涂层硬度，结合主动学习降低迭代次数，成功制备出硬度达40.1 GPa的超硬涂层。XRD与SEM表征证实其具有单一FCC结构，纳米压痕硬度测试显示其硬度超过大多数报道的高熵氮化物涂层。进一步通过多目标优化策略，在(AlCrSiTiMoTa)N六元体系中实现硬度-韧性协同调控。基于NSGA-II算法以max H/min E为优化目标，获得H/E比最优成分，Vickers压痕测试展现出该涂层具有良好的韧性。通过局部依赖性分析揭示了该体系中Al/Cr含量对力学性能的拮抗效应。针对超硬涂层断裂韧性评价难题，开发了基于裂纹间距的SDSS测量模型。通过TiN涂层验证（K_IC=2.4 MPa·m^1/2）及与金刚石（7.6 MPa·m^1/2）、a-C:H（1.8 MPa·m^1/2）涂层的对比，证实该方法还可同步评估残余应力（偏差<1 GPa）。相关技术已应用于自主研制的断裂韧性测量设备。

高熵陶瓷；超硬涂层；多目标优化；断裂韧性；机器学习