人体口服生物利用度是人体口服药物研发中最重要的药代动力学特性之一。准确预测候选药物的人体口服生物利用度能够减少口服新药研发中的资源消耗。目前,常使用基于特定计算方法或基于专家定义的分子描述符结合机器学习算法构建预测模型。这种方式不仅需要手工抽取分子描述符,增加了工作量,而且不会为口服药物研发带来新见解和新思想。近年来,图神经网络因其能够天然建模分子结构信息而被广泛应用在分子性质预测中,但先前提出的图神经网络模型并没有充分考虑原子和化学键之间的相互作用,这限制了模型表达分子的能力。除此之外,不同深度的图神经网络对分子结构的感受范围是不同的,将不同深度的分子隐藏表示通过样本自适应的方式融合,或将提高图神经网络的分子表达能力。因此,本论文从原子和化学键信息交互与模型结构定义两大方面提出改进方法,开发更为精准、高效的人体口服生物利用度预测模型,主要工作和贡献如下:（1）提出了一种基于有向图的化学键消息吸收网络（BMANet）,使用化学键消息吸收机制增加了原子和化学键之间的交互,获得更好的分子表示;使用缩放自注意力,使模型聚焦于重要特征,放大重要特征的数值同时减少非重要特征数值,提高分子表达能力。通过与4种机器学习模型和8种图神经网络模型比较,证明了BMANet的性能优于其他方法,且拥有较强的可解释能力。通过在公开图神经网络分子性质预测数据集上测试,证明了BMANet同样适用于其他分子性质预测任务,且优于其他模型。（2）提出了一种基于样本自适应的动态深度图神经网络（DD-GNN）,使得图神经网络能够根据分子结构信息自适应的融合不同深度的分子隐藏表示,同时过滤噪声信息,提高分子表示能力。在公开数据集上的测试结果,证明了结合DDGNN的四种图神经网络的性能都有不同程度的提高,证明了DD-GNN对于图神经网络的通用性。（3）将BMANet与DD-GNN结合（DD-BMANet）,开发性能更为强大的人体口服生物利用度预测模型。结果表明DD-BMANet在定量预测人体口服生物利用度方面有着更低的误差。在大部分情况下,DD-BMANet定性预测人体口服生物利用度的性能也优于BMANet。本文探索了使用图神经网络预测人体口服生物利用度预测的可能性,提出了化学键消息吸收网络（BMANet）和基于样本自适应的动态深度图神经网络（DD-GNN）。大量的实验证明了所提出方法在人体口服生物利用度预测方面具有先进性、良好的可解释性,并且同样适用于其他分子性质预测任务,为新药研发提供一个更高效、更精准的预测模型。