在染料敏化太阳能电池(DSSC)中,开发用于整个可见光区域光吸收的高效有机染料仍然是最重要的科学挑战之一。然而,目前的两种主流分析方法仍然存在一些问题,如实验的综合过程复杂并且成本较高,模拟计算的时间过长。为了解决上述问题,我们将机器学习技术引入有机染料分子的性能计算中,具体的工作如下:(1)我们研究了一系列有机染料的基态结构,能级和光学性质,重点是通过机器学习技术预测染料分子的吸收光谱。通过筛选一系列机器学习算法,构建染料分子数据库,首先我们进行了染料分子自学习验证可行性,进一步对我们的模型和数据库进行验证,成功将机器学习技术应用于有机染料分子的吸收光谱预测。(2)目前我们已经实现如下四种算法来预测染料分子的吸收光谱:支持向量机(SVM)算法、极端梯度增强(XGBOOST)算法、随机森林(RF)算法、和极端随机森林回归(ET)算法。我们发现使用SVM算法和XGBOOST算法的染料分子的预测吸收光谱与实验数据具有良好的匹配性。这些染料大部分吸收峰值偏差在20nm范围内,特别是DS-1的偏差仅为3.66nm。在这项工作中,我们通过建立染料分子数据库并筛选有效的机器学习模型,成功地预测了一系列染料分子的光吸收特性。与传统的DFT计算相比,我们的机器学习模型节省了时间;与实验合成相比,我们的机器学习模型可以节省更多成本。(3)为了快速预测新型染料的吸收光谱,同时方便大家进一步扩充我们的数据库,增强模型的实用性,我们进一步开发了模型计算实现软件,集成了所构建的完整染料分子数据库和算法,通过简易操作可以实现染料分子的吸收光谱快速预测,并导出结果,更加方便了大家使用新的机器学习模型进行研究。我们构建了可以用于染料分子吸收光谱预测的机器学习模型,相信我们的模型可以对新型的有机染料分子设计进行一定的参考,并且相信我们的机器学习模型在有机染料分子的性能计算方面具有很大的前景。