化学反应对人们生活和社会进步有着非常重要的影响,人们通过研究化合物的化学反应,探究不同化合物的组成、结构、性质,来满足不同的应用需求。而化学反应,本质是旧化学键断裂和新化学键形成,键能数值成为研究反应的一个关键参数。然而,为了进行合理的化学反应预测分析,需要获得大量的相关化学键的键能数值。采用基于第一性原理的密度泛函理论计算键能数值需要占用大量的计算资源,而传统的键能数值回归方法结果的精确度不尽人意,如何高效精确地获得键能数值仍然是一个难题。近些年,随着计算机的计算能力的快速提升和机器学习方法的迅猛发展,神经网络的运用已经成为一种非常重要的研究手段。为此,我们利用TensorFlow作为工具,选取了包含8000组数据的有机分子数据集。通过随机森林算法,对描述符进行重要性分析。并根据筛选后的描述符,即化学键对应原子对的原子种类和原子电荷,成功训练得到了一个可以用于预测键能数值的神经网络。通过比较预测值与密度泛函理论的计算值,我们认为该神经网络能够成功预测分子键能数值。我们还采用了不同的原子电荷计算方法进行对比,发现了MK电荷计算方法在预测键能过程中的优势。此外,我们对该方法下获得键能数值的计算效率与传统方法进行了对比测试,发现该神经网络方法与密度泛函理论计算方法相比,则只需要后者三分之一的时间。故此,我们认为这一基于神经网络的新键能数值获取方法将可能为高通量化学反应预测和设计提供新的高效工具。