快速、准确的计算分子间的相互作用能对高效准确的实现分子动力学模拟起着至关重要的作用。在现有的方法中,基于分子力场的相互作用能计算速度快,但精度不高。基于量子化学的相互作用能计算精度很高,但对计算资源和计算时间都有更高的要求。于是,发展快速、高精度的相互作用能计算框架就变的非常必要。近年来,深度学习已经在众多学科和应用领域取得了突破性的进展。本文利用深度张量神经网络的理论方法预测有机分子和水分子以及有机分子和离子之间的相互作用能,进而在相对高的精度下,快速合理地预测其物理化学性质。深度神经网络通过卷积、池化等操作构建多隐层的网络,通过大量的数据训练隐层中的节点权重,实现对数据中隐含特性的学习。深度张量神经网络是深度神经网络的进一步发展。在深度张量神经网络中,输入信息通过基函数转换为一组张量。深度张量神经网络通过卷积提取有效信息。首先在固定范围内,生成大量的有机分子和水分子或者有机分子和不同种类离子的分子结构文件。并通过量化计算软件Gaussian09在B3LYP方法和6-31+G*基组下得到体系中两分子之间的相互作用能并生成数据集。然后,以体系中的原子的相互距离以及原子类型作为网络输入,以两分子的相互作用能作为网络的输出。在GPU中,基于Tensorflow对深度张量神经网络进行训练、验证和测试,并预测体系中有机分子和水分子,或有机分子和不同种类离子的相互作用能。本文通过深度张量神经网络预测大量体系中的构象之间的相互作用能与量化模拟计算所得到的对应数据作比较。结果显示,二者具有良好的相关性。其中计算所得绝对误差的平均值和标准偏差值都在可接受的范围内,整体预测精度很高。通过与量化模拟计算耗时相比,本文提出的方案在与量化计算相当的精度下,显著地减少了耗时。