目前新药研发需求日益增加,业界迫切需要一种智能发现潜在药物,代替人工实验的药物发现方式。利用人工智能相关技术辅助分子设计是药物研发领域的热点之一,如何利用人工智能结合计算机强大的算力辅助人类专家进行新兴药物分子的结构设计和属性分析成为当前药物研发领域的重要课题。近年来,一些深度生成模型被提出,使得利用深度学习方法自动发现和生成所需药物分子成为可能。这对推进药物开发进程,缩短药物研发周期,降低研发成本有着重要的意义。变分自编码器是一类重要的深度生成模型,在数据生成领域有着广泛的应用,是近年来无监督学习领域最具活力的研究方法之一。在变分自编码器的理论基础上,本文提出了一种基于分层子结构嵌入的分子编码方式,并且可以用于分子生成。本文主要研究如何获取不同粒度的分子表示,并对不同粒度的分子表示进行编码以获得不同层面嵌入,并将这些嵌入进行融合从而更好的分子编码形式,同时可指导分子的生成。主要的工作包括选取合适的分子数据集,设计合理的子结构提取算法获取分子粗粒度的表示形式,设计与子结构提取算法相适应的子结构拼接算法实现粗粒度分子表示到分子的还原,提出了作用于分子粗细粒度表示的分子自编码器框架,用于分子的编码和解码。本文的模型部分主要包括针对分子图和子结构连接图的图编码器网络和分子生成网络。其中图编码器网络能够获取分子粗细两种粒度下的嵌入向量并融合为定长向量,可以为当前模型或其他分子相关任务提供有意义的分子表示。分子生成网络能够利用当前模型背景下的分子嵌入表示生成对应的分子,具有药物发现的能力。本文选取了合适的参数对模型进行训练,设计有关了实验测试模型的性能。实验结果表明,本模型在获取分子嵌入和分子生成等任务中的表现良好,符合设计预期。