金属掺杂是水系锌离子电池二氧化锰(MnO₂)正极的重要改性策略，其中参数的选择直接影响电化学性能。然而，掺杂元素类型、浓度以及合成条件与电化学性能之间的复杂相互关系，使得优化MnO₂正极以获得优异电化学性能仍然具有挑战性。为了高效研究金属掺杂MnO₂的性能，我们提出了一种基于文献数据的机器学习模型。在特征工程和模型选择后，我们发现极限梯度提升模型(XGB)在测试集上R²达到了0.921的高预测精度。在此之后，特征重要性分析进一步指导了一系列实验的设计，这些实验与密度泛函理论计算一致地验证了模型的准确性和可靠性。在从多个角度验证可行性后，我们进一步构建了基于该模型的在线性能预测平台，为后续研究人员提供了一个便捷的工具，帮助他们获得指导和启发。我们相信，这项工作为金属掺杂MnO₂在能源存储领域的研究提供了新的视角和框架。