离子液体是一种完全由阴阳离子组成的可设计绿色介质和软材料,具有很强的结构设计自由度。阴阳离子的组合产生了广阔的化学空间。由于时间和材料的限制,通过实验研究离子液体的性质不能满足生产的需要,因此研究离子液体的构性关系建模实现离子液体高效筛选具有重要应用价值。本文提出了基于随机森林（RF）和卷积神经网络（CNN）的描述符监督学习模型,结合回归模型构建了离子液体电导率、乙酰胆碱酯酶抑制毒性和二氧化硫溶解度的构性关系模型并对模型性能进行了评估。采用统计参数和模型误差等手段研究了描述符筛选和迁移学习对回归模型拟合结果的影响。基于1500个离子液体的电导率实验数据点,提出了随机森林集成学习模型来量化分子结构及理化描述符对电导率的贡献,并实现高贡献描述符的筛选。然后结合支持向量机非线性回归模型（SVR）和多层感知机深度神经网络回归模型（MLP）对离子液体电导率进行构性关系建模。RF-MLP模型的拟合程度最高,决定系数为0.996,均方误差为0.79,平均绝对误差为4.03。RF-MLP模型对每个数据点的绝对误差均在0.2以内,具有很高的准确度和计算效率。随机森林模型筛选后的高贡献描述符可以减少数据冗余,结合后续回归模型可实现特定电导率的离子液体结构筛选,具有良好的应用前景。基于266种不同离子液体的乙酰胆碱酯酶抑制毒性实验数据,利用CNN独有的矩阵处理结构对离子液体描述符进行建模和训练。然后,从构建的CNN模型中的特征提取层迁移学习代表离子液体的特征向量作为后续的回归模型输入来预测离子液体的乙酰胆碱酯酶抑制毒性。最优的CNN-MLP模型决定系数为0.962,均方误差为0.015,平均绝对误差为0.103。CNN-MLP模型的相对误差均在0.1以内。结果表明,基于卷积神经网络迁移学习的MLP回归模型可以实现离子液体乙酰胆碱酯酶抑制毒性的准确预测。深度学习建模可以实现特征的自动学习,避免人工特征选择造成的误差。温度压力等环境因素显著影响离子液体中二氧化硫溶解度。基于221个离子液体中二氧化硫溶解度数据点,利用CNN实现离子液体描述符、温度和压力特征迁移学习。然后,结合RF、SVR和MLP对离子液体中二氧化硫溶解度进行构性关系建模。通过对比单模型和集成模型对卷积神经网络的描述符学习能力进行了验证,单回归模型中最优的RF模型决定系数为0.946,均方误差为0.036,平均绝对误差为0.0026。集成CNN迁移学习模型后最优的CNN-RF模型决定系数为0.992,均方误差为0.0159,平均绝对误差为0.0004,相比单回归模型准确度有明显的增加。结果表明,卷积神经网络提取的特征能显著提高模型的准确性和鲁棒性,可用于离子液体的计算机辅助分子设计和筛选,为人工智能应用于离子液体构性关系建模提供新思路。