人们的生命健康始终被疾病所威胁,新型药物研发是攻克癌症、慢性病等医学难题的关键。作为药物研发的起点,药物筛选辅助技术利用计算机从海量化合物中快速筛选出特定靶标候选药物分子,可以有效缩短研发周期,降低研发成本。随着数据挖掘技术的兴起,利用机器学习技术提升药物筛选的效率与效果已经成为当前研究的重要问题。为此,本研究利用机器学习技术对药物筛选过程进行了优化,针对药物筛选过程中活性药物分子的发现和活性药物分子的成药性判定两个关键问题,结合机器学习中的集成学习、多标签分类算法,分别构建了药物靶标活性预测模型和成药性判定模型,并通过智能优化算法挖掘表现最好的药物分子结构信息。最后,基于Drug Bank数据库收集的抗乳腺癌药物数据进行相关实验,验证了本文方法的有效性和先进性。第一,为进一步提高药物靶标活性预测的准确性,本研究提出了一种基于集成学习的预测模型。首先,采用递归特征消除进行特征选择,并用SHAP方法计算特征的重要度,从而在输入上提升了模型的可解释性和预测精度。其次,通过对10种学习器的异质性分析及性能对比,为Stacking集成模型选取最佳的初级学习器和元学习器组合。最后,利用一种自适应步长的萤火虫算法进行参数优化,进一步提升模型的预测能力。实验结果表明,该方法明显优于其他流行的机器学习算法。第二,为充分利用标签之间的关系,本研究提出了一种改进的分类器链（CC）模型,以提升对药物多种成药性质的判定能力。首先,通过Pearson相关性分析,发现药物成药性质之间存在潜在联系。然后,针对CC模型的随机链序造成模型性能低下及不稳定问题,提出一种标签序列优化策略,在共现分析的基础上构建标签共现矩阵,通过量化标签贡献程度,以贪心思想确定标签在CC模型中的训练顺序。实验证明,该方法优于其它11种流行的多标签分类算法、CC模型以及基于其改进的LOCC模型。第三,基于上述两个模型,提出一种基于多目标优化的药物分子最优特征区间发现模型。以靶标活性值最高和满足成药性质最多为优化方向,采用NSGA-Ⅱ算法进行求解,并对其交叉算子进行改进以提升算法的寻优能力。通过实验,共找到活性值和成药性质均较优的虚拟药物分子236个,并通过数值统计分析确定了重要特征的最优取值区间,从而为后续药物分子结构的设计提供辅助支持。综上,本文利用机器学习技术,建立靶标活性预测以及成药性质判定模型,并建立多目标优化模型挖掘最优药物分子的结构信息,从初步筛选、精细筛选、挖掘药物结构信息三个方面共同提升药物筛选辅助方法性能,对降低新型药物研发成本,提升研发效率具有一定的指导作用和现实意义。