化合物在日常生活被广泛使用,不可避免地产生有机污染物,而有机污染物会对生态环境平衡以及人类自身健康带来威胁,因此,生物降解性预测是当下研究热点。现有分类预测方法虽包含特征选择,但并没有考虑其动态变化过程,且对无关和冗余特征去除不准确,同时集成算法存在超参数选择耗时低效的问题,所以研究基于特征选择和超参数优化的分类预测算法具有一定的现实研究意义和应用价值。本文提出基于MD-Medoids特征选择和麻雀搜索算法（Sparrow Search Algorithm,SSA）参数优化的改进LightGBM算法,并在生物降解性预测的研究中进行应用,主要的工作内容如下:第一,针对特征选择动态变化的过程,本文提出MD-Medoids特征选择算法,该算法首先将数据集的特征划分为已选特征、候选特征两部分,并通过互信息来计算已选特征、候选特征这两者之间的关联信息量,使用动态相关性来计算已选特征与类别标签,两者之间的相关信息量,然后将关联信息量和相关信息量作为聚类算法K-Medoids的输入,对所有特征进行聚类分析,以此方法来达到对冗余特征和无关特征准确去除的目的,最后将该方法在5组数据集上进行验证,结果表明MD-Medoids特征选择算法在Accuracy、Precision、F1和AUC上均有很好的表现。第二,针对LightGBM存在超参数寻优的问题,本文提出SSALightGBM分类预测算法。该算法主要使用SSA来对LightGBM算法进行改进,针对LightGBM,筛选了8个对训练结果影响较大的参数,通过SSA对这些参数进行寻优,确定其最优的参数组合,最后在5组数据集上进行实验验证,并与SVM、XGBoost、RF、LightGBM这几个分类器进行性能对比,本文所提的SSA-LightGBM分类预测算法取得的Accuracy、F1和AUC值最佳。第三,本文将前面所提出的MD-Medoids特征选择算法和SSALightGBM分类预测算法进行结合,提出了基于MD-Medoids特征选择和SSA参数优化的改进LightGBM算法,并将该算法在定量构效关系模型（QSAR）的Biodegradation生物降解数据集上进行了应用,对可降解和不可降解的生物分子进行分类预测,最后将该算法的实验结果与SVM、RF、XGBoost、LightGBM、SSA-LightGBM进行了对比,结果表明本文所提的算法在Accuracy、Precision、F1和AUC上均取得了最佳的结果。