当今时代,新晶体材料的发现和应用对于科技进步以及文明发展至关重要,而密度泛函理论的出现为晶体性质的研究提供了一种切实可行的计算方法。随着近些年超级计算机的发展与应用,研究人员能借助其强大的计算能力进行精确的密度泛函理论计算。同时,基于密度泛函理论的高通量计算可以生成大量的数据,使基于数据驱动的机器学习方法在材料科学领域的应用成为可能。不同于材料科学中的传统研究方法,机器学习处理的数据量更大,提取信息的自动化程度更高。作为机器学习的一个分支领域,深度学习在近年来发展迅速。通过由多个处理层组成的深度神经网络,深度学习可以将低阶的特征转换为更复杂、更抽象的高阶特征并从大规模的数据集中发现内在模式和规律。由于其优异的性能,深度学习逐渐被研究人员应用到材料科学领域。针对深度学习在晶体性质预测方面的应用,我们开展了如下的研究工作:（1）结合注意力机制和基于深度学习的晶体图卷积神经网络,提出一种基于注意力机制的晶体图卷积神经网络。利用注意机制学习所有邻居节点的重要性,根据不同邻居对应的重要性为其分配不同的权重。使网络模型可以筛选出相关性强的邻居,忽略相关性弱的邻居,从而增强模型融合晶体拓扑和原子特征的能力,提高预测的精度。并引入节点归一化的方法,通过抑制嵌入的特征相关性和提高与输入节点特征相关的模型平滑度来正则化模型。有效减少了网络的过拟合风险,稳定了训练过程。实验结果显示基于注意力机制的晶体图卷积神经网络对于总能量、带隙、费米能和形成能的预测精度均高于原晶体图卷积神经网络。（2）在晶体图卷积神经网络中引入残差学习的思想,提出了一种晶体图卷积残差神经网络。晶体图卷积残差神经网络在池化层后添加一个全连接残差神经网络,在全连接残差神经网络中对各全连接层使用残差连接的方式,并加入批量归一化来避免因为模型复杂度增加而导致的网络过拟合。此外,引入ELU激活函数进行非线性变换来增强模型的表达能力和学习能力。实验的结果表明晶体图卷积残差神经网络相较于原晶体图卷积神经网络,对总能量、带隙、费米能和形成能的预测精度更高。（3）在晶体图卷积神经网络和基于注意力机制的晶体图卷积神经网络的框架下,使用负对数似然损失函数分别进行带隙阈值为2.3 eV的宽禁带半导体分类实验以及总磁化强度阈值为0.5 μB的铁磁晶体分类实验。实验的结果表明晶体图卷积神经网络以及基于注意力机制的晶体图卷积神经网络可以实现高精度的铁磁晶体分类和宽禁带半导体分类。同时,与晶体图卷积神经网络相比,基于注意力机制的晶体图卷积神经网络在同等训练数据量的条件下取得了更高的分类精度,并且可以用更少的数据训练出具有相同分类精度的模型。