近些年来,气味物质属性预测作为嗅觉系统中一个重要且热门的研究课题,在学术界和工业界受到了越来越多的关注。然而,香精或香料在开发过程中很难从配方中预测其气味物质的关键属性,依赖传统方式进行测定有一定的局限性,如:时间周期长和成本昂贵等。因此,如何构建一种更高效且低成本的预测气味物质属性研究提出了一个新的挑战。定量构效-活性关系（QSAR）理论作为研究化合物结构与其活性的一种重要工具,在气味物质属性方面发挥了强大的作用,为快速精准调配合成新型香料香精提供了新方向。本论文中,收集整理了相关单体香料数据集,利用结构信息学软件计算有效的气味表征信息,构建了留香等级和气味强度活性的理论预测模型,并探讨了不同模型算法的性能和适用情况。本文所展开的主要研究内容如下:（1）基于QSAR模型的单体香料留香等级预测方法研究。首先,收集整理1552个含有留香等级活性的单体香料数据集,采用Dragon 7.0软件计算其结构信息。然后,采用主成分分析法、Lasso、递归特征消除法、自动编码器和Boruta算法5种变量选择技术降低模型训练成本。最后,应用随机森林、支持向量机、深度神经网络算法构建了一系列QSAR预测模型。在此基础上,我们开发了一个加权评分公式来计算官能团和留香等级之间的相关评分。结果表明,SH（硫醇）、ArOR（醚）和ArCOOR（酯）官能团对留香等级有显著影响。此外,我们定义了适用域限制测试数据集的应用范围,并使用外部数据来验证模型的可靠性。经过对比分析使用递归特征消除法获得80维有效的分子描述符,随机森林算法性能最好,准确度为77.81%,精确度为77.83%,召回率为77.99%,F1-score为77.88%。该分类模型可作为单体香料留香等级属性评估的可靠工具,并为新型香精或香料的精准设计、智能筛选以及高效合成提供理论基础与技术支撑。（2）基于POI-3DGCN的单体香料气味强度预测方法研究。首先,基于1200个含有气味强度活性的单体香料数据集,我们提出了一个新颖且高效的框架（POI-3DGCN）,即图卷积神经网络算法与气味分子三维拓扑结构相结合。经过与随机森林、支持向量回归、多层感知器、长短时记忆网络和图注意力网络5种基线模型对比,3DGCN模型在气味强度活性预测任务上的性能显著提高。然后,我们分析不同池化机制对3DGCN模型性能的影响。结果表明,全局聚合set2set池化操作可以提高3DGCN模型对具有稀疏图结构的单体香料数据集预测气味强度的性能。更重要的是,我们发现气味分子在三维空间中旋转具有相同的拓扑结构,除了三维方向,3DGCN模型预测的气味强度具有旋转同变性,这也反映了该模型具有良好的稳健性。最后,我们可视化分子特征的生成过程以及分布在分子上的原子特征贡献度,以探索模型的可解释性。本文提出的POI-3DGCN框架在评估单体香料气味强度活性方面具有可靠性,并为深度学习嗅觉感知领域实现三维特征奠定了夯实的理论基础。最后,简要总结了本文所做的工作,并在总结全文的基础上,对未来研究工作进行了展望。