摘要高效预测化合物性质是化学信息学中主要研究的问题之一,这些性质包括化合物的物理、化学和生物性质,以及化合物在某些化学条件下的行为。化合物水溶性是极为重要的理化性质,准确高效的测定化合物水溶性是降低药物研发的成本,避免药物研发失败的关键。二氧化碳（CO₂）溶解度则是选择吸收CO₂溶剂的重要指标,准确预测CO₂在不同离子液体中的溶解度,是实现CO₂绿色便捷吸收,减轻温室效应的关键之一。目前对于化合物水溶性和离子液体中CO₂溶解度的获取,更多的是基于实验测定方法和传统的物理模型和机器学习模型为主。相较于传统的方法,深度学习具有更强更高效的特征提取能力和函数表达能力,本文基于深度学习对化合物水溶性和离子液体中CO₂溶解度进行预测研究,主要的研究工作如下:使用DeepChem开源化合物水溶性数据集,首先对输入特征的相关性进行了分析并通过XGBoost对特征重要性进行排序来完成相关性验证,然后搭建了卷积神经网络（CNN）、循环神经网络（RNN）、深度神经网络（DNN）与定量分子描述符相结合的化合物水溶性预测模型,拟合系数R²分别为0.82、0.78、0.83。实验结果表明,深度学习模型能够达到或超过传统的ESOL预测方法和XGBoost预测模型,其中DNN的模型拟合度最高,RNN的预测波动最小,当减少输入特征维度时,三种模型的预测性能都会明显降低,但RNN的变化最少。在化合物水溶性的建模基础上,使用了Ahmadi等人的实验数据建立了离子液体中CO₂溶解度数据集,搭建了CNN,RNN,DNN与离子液体临界特性等相结合的CO₂溶解度预测模型,拟合系数R²分别为0.999、0.984、0.988。实验结果表明,深度学习模型能够达到或超过传统的传统的PR-EOS、SRK-EOS方法和XGBoost预测模型,其中CNN的模型拟合度最高,RNN的预测性能仍然最稳定。将深度学习应用于化合物的水溶性与离子液体中CO₂溶解度预测,不仅为化合物相关性质预测的研究工作提供了有价值的参考,而且在未来伴随着数据量和计算力的增长,可能会让更多数据来推动人工智能在化学信息学的发展,为药物研发、材料设计和环境工程等领域注入更多的可能性。