振动光谱是工业生产和基础研究中最常用的表征工具之一。振动光谱的获取过程繁琐,分析依赖人工。这两点大大影响了振动光谱在工业上的应用。如何提升振动光谱获取效率,降低时间和人力成本,是领域内亟待解决的问题。本论文主要依靠人工神经网络这一计算机科学领域的前沿先进技术,构建振动光谱预测模型与结构识别模型,以期解决工业上光谱应用的相关问题。具体研究内容如下:第一,本论文利用构建好的分子数据集量子机器（Quantum Machine 9,QM9）和N-甲基乙酰胺（N-methylacetamide,NMA）重水分子体系构建从结构向振动光谱的映射模型,并比较不同分子描述符对光谱预测的预测精度造成的影响,其次我们还研究了化学环境对分子振动光谱预测所造成的影响,探究其中蕴含的基本原理。结果表明,神经网络算法应用于振动光谱的预测精度高且具有可解释性。另外,我们构建的神经网络预测模型还具有一定的迁移预测能力。第二,本论文利用数据集QM9来构建基于振动光谱（红外和拉曼）识别微观结构的神经网络模型,预测分子内是否存在羟基或者羰基。我们发现人工神经网络模型结构识别的准确率较高,且具有优秀的迁移识别能力。研究结果证明了人工神经网络可以从光谱中学习到光谱知识,从而代替具有化学直觉的经验丰富的专家。我们的工作证明了机器学习模型在光谱预测与识别领域的重大潜力,为后续在工业生产与科学研究中的运用（如高通量筛选或活性分子自动在线识别等）打下了基础。