在化合物空间（CCS）中分子性质的准确预测是化学和制药工业中进行合理化合物设计的关键因素,使用实验和理论自动筛选CCS不仅成为发现新体系的有力工具,而且也为目标应用的化学物质和材料的合理设计提供了有力工具。原子化能是化合物最基本的性质之一,一些化合物的原子化能可以通过实验测定,但对测量上有困难或尚未合成的化合物,就有必要对其进行估算或预测。化合物的原子化能与分子结构密切相关,因而可以通过理论分析和实验规律建立的模型预测方法来实现对原子化能的计算和预测,引入机器学习算法,只根据分子中原子笛卡尔坐标和核电荷组成的库伦矩阵预测分子原子化能。但随着数据集中分子数量的增多,得到的预测均方根误差（RMSE）也不断地增加,本文将结合深度神经网络和库伦矩阵特征值分子描述符,设计出一套系统的原子化能预测方法,并将对Bootstrap自助算法进行相应的改进,消除自助法无法获取样本外特征和利用率不足的缺陷,将改进后的算法重新应用在深度神经网络模型中,进一步提升模型预测整体性能,改进思路如下:（1）针对因分子数量增加而导致随机采样特征无法代表全部特征和无法获得在非连续样本观测点处的分布特征问题,本文将改进的Bootstrap自助采样法加入到深度神经网络中,对于数据集D,首先计算数据集D的邻域,中包含了原数据集D和D中样本邻域的集合,然后对进行自助法采样,随机采样出训练样本,此时训练样本中不仅包含了原数据集D中的样本,而且包含了非原数据集之外的样本特征,改进后的自助法可以将原非连续的分子样本数据集拓展为连续性的分子样本数据集,保证数据连续性的同时也将分子采样拓展到原分子样本之外的特征。（2）针对分子样本数据集利用率不足问题,将对传统自助法的采样方式进行改进,对于含有M个样本的数据集D,从每次有放回地取出一个样本改变为M个分子样本,在下一次取样中这M个分子样本被取出的概率仍与之前相同,重复随机取样N次,得到的训练数据集中包含了M*N分子样本,提高分子样本利用率的同时增加分子训练样本的数量。（3）优化深度神经网络模型结构,使用反向传播算法（backward propagation）优化神经网络,将学习率设置为动态下降形式,指定训练迭代次数,对特定迭代次数内损失值未下降的训练模型降低学习率,通过BP算法优化后的神经网络很有可能会出现过拟合,本文通过早停和正则化策略进行缓解模型的过拟合,使用主成分分析（PCA）进行样本特征降维,使用十折交叉验证的方式验证模型。最后,使用采集PubChem数据库有机小分子数据作为实验数据,使用DNN-Atom模型进行原子化能的预测,结果证明提出的DNN-Atom模型降低了原子化能预测均方根误差,相比于DNN、XGBoost和SVM经典算法,DNN-Atom模型的RMSE更低,预测结果更精确,对抽取样本进行分析的结果表明,抽取出的样本可以明显地代表全部样本的特征,证明了提出的DNN-Atom模型在原子化能预测方面的可行性。