近年来,对有机分子体系、生物大分子体系、药物设计的研究进入到快速发展时代。对这些体系的研究,离不开分析分子构象之间的相互作用。虽然量子化学的理论计算方法和基于分子力场分子动力学模拟的方法对此是有效的,但是前者所需的计算时间和资源过多,后者又不能很好描述化学反应中分子的变化过程。因此,实现快速准确预测分子间的物理化学性质具有很大的理论和现实意义。本文结合当前热门的人工智能技术,提出一种结合量子化学计算方法的深度张量神经网络(Quantum Mechanics-Deep Tensor Neutral Network,QM-DTNN),本方法采用将两个有机小分子构象组成的体系中的原子核电荷矢量和原子间距离矩阵作为深度神经网络的输入,把经量子化学计算得到的相互作用能作为神经网络的输出,对深度神经网络训练、验证和预测。在构建数据集时,使用分层生成构象的方法使分子构象以不同密度充满整个有效空间。用深度神经网络预测有机小分子间的相互作用能时,我们采用交叉验证的方法防止过拟合。本文对C4N2H4和C3NH5、C6H13NO4和C6H14O2两种不同的构象的分子间相互作用能进行神经网络训练,发现预测值与QM计算的真值之间有较高的一致性。在对能量不同的构象进行静电相互作用与电荷转移分析时,发现它们的构象相互作用都主要发生在氢键和二氢键上,这与理论研究是一致的,即由C、H、O、N构成的有机小分子间的弱相互作用主要体现在氢键和二氢键上。对于C4N2H4和C3NH5,绝对预测误差平均值errmsan、绝对预测误差的标准偏差值errstd、线性拟合参数a和b接近标准值。对于C6H13NO4和C6H14O2,上述参数均符合实验误差。通过QM-DTNN对以上两种不同的构象的相互作用能预测,并与QM对比证明了DTNN在计算分子间的相互作用能方面具有可行性,而且计算时间也大大的缩短,这为生物大分子体系和药物设计的研究提供了一种可行的研究方法。