定量构效关系（QSAR/QSPR）是用于预测化合物理化性质的数学模型,主要基于计算分子描述符作为参数来建模。QSPR为化工设计提供有效物性参数,预测未知物质的理化性质,对新物质的合成和应用具有指导作用。通过研究表面活性剂三个主要性质:临界胶束浓度（CMC）、克拉夫特点（Krafft）、亲水亲油平衡值（HLB）,分别建立离子和非离子表面活性剂表面活性剂数据集并实现QSPR模型。描述符利用前向选择（FS）或主成分分析（PCA）来筛选和降维。算法中除多元线性回归（MLR）外,使用了随机森林回归（RFR）、支持向量机回归（SVR）以及高斯过程回归（GPR）三种机器学习算法,并详细比较了线性和非线性建模过程的具体差异和模型质量。第一部分,分别建立离子和非离子表面活性剂CMC的线性回归与比非线性回归QSPR模型,建立了一个整合阳离子、阴离子和两性离子的CMC预测模型,PCA-GPR（N=333,R2=0.907,Rpred2=0.946）。同时也建立了非离子表面活性剂CMC预测模型,经过对比得出最佳模型PCA-GPR（N=156,R2=0.943,Rpred2=0.937）。第二部分,分别建立了预测离子表面活性剂Krafft点的线性和非线性QSPR模型,讨论了模型的优劣,得到最佳模型PCA-GPR（N=220,R2=0.829,Rpred2=0.901）。第三部分,分别建立了阴离子和非离子表面活性剂HLB的线性模型和非线性QSPR模型,其中阴离子表面活性剂最佳模型为FS-MLR（N=71,R2=0.998,Rpred2=0.997）,非离子最佳模型为 PCA-GPR（N=234,R2=0.931,Rpred2=0.955）并将两部分数据集整合后建模,一定程度上提高了模型质量,建立了具有普适性的最佳模型 PCA-GPR（N=305,R2=0.992,Rpred2=0.992）。所有模型都经过留一法交叉验证、外部测试集验证,模型应用域计算,并与以往文献模型对比讨论,充分验证了模型的健壮性、可靠性和优势性。模型不需将表面活性剂细分,可进行较大规模的预测筛选,具有一定的工程意义。利用数据挖掘开源软件KNIME构建了 QSPR自动化流程,整个流程不涉及商业软件,操作方便,移植性、扩展性强,预测性能好,为表面活性剂的分子性能优化设计与工艺应用提供了参考依据。