有机太阳能电池因其质量轻、成本低、污染少、柔性好等优点而备受关注,活性层材料作为有机光伏（OPV）器件的关键组成部分受到众多研究者的广泛研究。目前在理论方面主要是通过量子化学计算的方法探究给体、受体和复合物的结构性质和激发性质等,并分析给体/受体界面处的电子过程。随着人工智能的发展,机器学习方法在诸多方面得到了广泛的认可,关于OPV器件的探究也不例外。机器学习不仅可以进行分子性质-器件性能之间内在联系的探究和器件性能参数的预测,还可以实现高性能材料的分子设计。为了更加充分地了解OPV器件的内在联系机制和分子描述符对器件性能的影响,本论文开展了如下探究:了解OPV器件的工作原理和材料的光电特性是开发新型活性层材料的基础,更充分地探究将更有利于提高有机太阳能电池的光电转换效率（PCE）。我们选择了以聚合物FTAZ分子（Fluorobenzotriazole）作为给体,IDCIC分子（Fusing naphtho[1,2-b:5,6-b′]dithiophene with two thieno[3,2-b]thiophene）作为非富勒烯受体的活性层材料,其器件PCE超过13%。为了探究具有稠环电子受体材料的OPV器件具有较高性能的原因,我们采用量子化学计算的方法研究了FTAZ、IDCIC以及具有Face-on构型复合物的几何结构、分子轨道、激发性质、吸收性质、静电势、转移电量和电荷转移距离等。计算结果表明,FTAZ/IDCIC异质结较为突出的OPV性能是由IDCIC中给体和受体片段的共面性、FTAZ和IDCIC的电荷转移激发态以及由电荷转移激发和局域激发形成的杂化态、可见光区互补的光吸收以及FTAZ和IDCIC之间较大的静电势差值引起的。FTAZ/IDCIC复合物的电子结构和激发表明,激子解离过程的空穴转移可通过受体局域激发激子的衰退来实现,这与基于富勒烯受体的OPV有很大的不同。通过Marcus理论得到的电荷转移、激子解离和电子复合过程的速率,计算结果表现出较大的激子解离速率,这也是此OPV器件具有良好性能的原因。分子描述符对于OPV体系机器学习研究的预测准确度至关重要。为了揭示分子电子性质与器件性能之间的潜在关系,我们基于OPV的510组给体-受体对,首次将开路电压损失(VOC-loss)、给体和受体材料的介电常数（分别为ε-D和ε-A）这三种描述符引入到原有的分子描述符集,分子性质描述符共计41种。然后,我们采用随机森林、极限树回归、梯度增长回归树、自适应增强和极限梯度提升这五种机器学习算法。分别比较新分子描述符引入前和引入后（被称为新/旧分子描述符集）对于四种器件性能参数（光电转换效率、开路电压、短路电流密度和填充因子）预测准确性的差异。这些机器学习算法的大部分结果,如皮尔逊相关系数和回归线的斜率等,表明新分子性质描述符的预测性能优于旧分子性质描述符集。这证实了在分子性质描述符集中引入VOC-loss、ε-D和ε-A是有意义的,说明将它们包含在内以构建更有效且全面的OPV分子性质描述符集的必要性。此外,Gini重要性分析表明,新分子描述符VOC-loss、ε-D和ε-A是影响器件性能的重要参数,在高性能OPV材料的开发过程中应该将VOC-loss、ε-D和ε-A考虑其中。