定量构效关系（Quantitative Structure-Activity Relationship,QSAR）通过数学统计分析方法,建立化合物结构与生物活性间的相关性模型,定量地描述两者的关系,以预测新化合物的各种活性,为分子设计提供指导。选择合适的特征选择方法和统计模型有助于提高QSAR模型预测精度,增强其可解释性。单变量过滤法利用相关性统计量对特征排序,未考虑特征间冗余;多变量过滤法如常用的最小冗余最大相关（minimal Redundancy Maximal Relevance,m RMR）虽考虑了特征间的冗余,但直接去冗余常导致预测精度的下降。以上方法仅对特征重要性排序,还需交叉测试搜索特征子集,较为耗时。本文基于最大信息系数（Maximum Information Coefficient,MIC）的改进算法Chi-MIC和冗余分摊策略,发展了一种可自动终止的特征筛选方法Chi-MIC-share,该方法复杂度低,计算速度快,不依赖学习机器。3个QSAR数据集（梨形四膜虫、蝌蚪、黑呆头鱼）经Chi-MIC-share特征选择后,支持向量回归模型（Support Vector Regression,SVR）的独立预测MSE分别为0.0280、0.0226、0.0321,R~2分别为0.9590、0.9750、0.9367,均优于参比特征选择方法,表明了Chi-MIC-share方法的有效性。基于上述3个数据集和Chi-MIC-share方法,对多元线性回归（Multiple Linear Regression,MLR）、偏最小二乘回归（Partial Least Squares Regression,PLS）、岭回归（Ridge Regression,Ridge）、随机森林（Random Forest,RF）、神经网络（Artificial Neural Network,ANN）等五种模型进行建模预测,并与SVR模型对比。结果表明,MLR、PLS线性模型表现不佳,SVR、RF模型较Ridge、ANN模型表现较好,且SVR优于RF模型,说明了SVR模型在小样本非线性数据处理中的稳健性。互作描述了系统的整体效应和其部分效应的关系,主效特征和互作特征的组合可以提高模型的预测性能。基于Abs特征互作模式(Zij=|Xi-Xj|,即互作特征Zij由特征Xi与Xj转换),本文将单个互作特征及多个互作特征引入QSAR研究中,试验结果表明互作特征的引入能提高SVR模型的预测精度。本研究提出的Chi-MIC-share特征选择方法,以及在模型选择和特征互作方面做出的尝试,可能为定量研究提供新的思路,具有一定的参考价值。