分类与回归树是一种重要的多变量建模技术，目前被广泛用于化合物的定量结构-活性相关性研究中。与传统的建模方法，如，偏最小二乘回归法、人工神经网络法等相比较而言，分类与回归树法的优越性在于：所建模型直观，解释性强，能处理大数据集，不受奇异值、共线性、方差异质等因素的影响等。然而，分类与回归树算法同时也存在其本身固有的缺点，即，稳定性和泛化能力差。针对分类与回归树算法的优缺点，本论文主要开展了如下两个方面的工作：　　 (1)应用分类与回归树算法研究不同系列的白念珠菌抗菌剂的定量构效关系。实验结果显示，分类与回归树算法能很好的构建这些结构异质的白念珠菌抗菌剂的结构与活性的关系模型。此外，描述符：电子拓扑指数(S_ssO)，VAMP电子静态描述符(octupoleyyz，octupole xzz和quadrupole-yz)，生成热(heat of formation)，Balaban指数（Balaban index-JX），投影指数(shadow-Ly，shadow-YZ)，偶极矩(dipole-z)，分子柔性(molecular flexibility)，Zagreb指数(Zagreb index)和密度，在抗白念珠菌剂的定量构效关系研究中发挥着主要作用。　　 (2)发展了稳健推进回归树算法，该方法的基本思路为：以回归树为基础学习算法，在迭代过程中引入一个误差修建策略来建立一系列稳健的回归树模型，然后通过加权中位法集成所有的回归树模型的结果。该新设计的算法被用于类黄酮衍生物和抗艾滋药物的构效关系研究，并比较了其与推进回归树和回归树的性能，结果表明：稳健推进技术能很好地提高回归树的稳定性和泛化能力，且，稳健推进回归树性能要优于推进回归树。