在人类的发展过程中,疾病始终与人类相伴随,威胁着人类健康。疾病不仅会影响人类的健康,甚至影响社会的稳定。因此针对特定疾病研发出对应的药物,减少疾病的不良影响是非常有意义的。分子的性质可以帮助我们研发出针对特定疾病的药物和设计出符合相应功能的分子。确定分子的各种性质是药物发现的关键步骤。计算机辅助药物设计技术被引入到分子性质的计算预测中,已成为生物信息学的主要研究方向之一。对分子进行分类,对于筛选特定疾病的候选药物是至关重要的。传统的机器学习算法可以对分子进行分类,但是分子不能直接作为机器学习模型的输入,需要进行大量的实验从分子中得到一系列的分子特性。这种手工制作的特征在一定程度上依赖于实验人员的经验。传统的特征提取策略通常是根据分子的三维结构进行计算,通过定量构效关系模型预测分子的性质,是一个非常耗时的过程。后来随着深度学习的兴起,研究人员受到卷积神经网络的启发,提出了图卷积神经网络,分子可以天然的视为一个图,可以直接作为图卷积网络模型的输入。图卷积神经网络直接从分子数据集中学习分子结构的表示,从而完成分子性质的预测。与传统机器学习算法相比,性能有了明显的改善。图神经网络模型的成功依赖于大量的标签数据,然而由于确定分子的特征是一件困难的事情,分子数据集规模比较小且存在大量未标记的数据。本文的主要工作如下:（1）针对上述问题,受自监督学习的启发,本文提出了一种融合了图对比学习的图神经网络模型,利用分子自己的结构特点学习节点特征。其中图神经网络用来学习分子图中节点的高级特征,然后运用图池化将节点的高级特征转化为图级特征,负责分子的性质预测。图对比神经网络采用自监督学习的方式,利用分子数据自身的信息来增强模型的泛化能力。两个任务连接在一起,共同进行训练。（2）为了验证所提出模型的有效性,本文首先使用我们的模型在BBBP和SIDER数据集上和其它方法进行性能比较。结果表明,在BBBP数据集上,本文模型的平均AUC值为0.916,相比最新的Trim Net模型提升了7.8%,也优于其它对比方法。在SIDER数据集上,本文模型的平均AUC值为0.688,比最新的Trim Net模型高了4.7%,也高于所有的对比方法。然后通过消融实验验证了模型各个模块的作用,实验结果表明在加入图对比学习任务后,模型的性能在各个指标上对比原来的模型都有一定的提升。本文还探究了不同的图神经网络层数对模型性能的影响,验证了模型在不同正负样本比例的数据集上的性能。针对Tox21数据集中正负样本不平衡的问题,我们采用focal loss函数替代原来的损失函数对原模型进行优化,优化后的模型的平均AUC值为0.861,超过了其它对比方法。最后,本文对分子性质分类的相关工作进行了总结,然后对未来的工作进行展望。