计算机虚拟药物筛选是当今计算机辅助药物设计的主要环节。对待测药物分子的活性进行预分类，能够有效节约由于需要逐一分析上百万规模药物分子的形态结构所花费的较长筛选时间。 本文以机器学习理论为背景，针对药物分子在受体上的结合能力，重点研究了以下内容： （1）采用K—L变换（Karhunen—Loeve Transform）方法在保证特征属性彼此相关度为0的同时，对原始样本集进行了降维处理，选择出的特征属性保留了整个样本属性的绝大部分分类信息，有效解决原始样本集数据高度倾斜，药物分子属性维数巨大，不利于分类器设计的问题。 （2）通过一种基于推广性的界的核函数优化方法改进了经典支持向量机算法，并采用10折分层交叉验证方法优化了分类器参数，避免了传统分类器复杂度高、推广性差的问题，训练网络结点完全由算法自动产生，无需人工干预。 （3）开发了一个自动化药物活性分类预测系统，该系统能够有效分析除结合能力外的其它药物属性的活性。 通过实验验证，本文设计的解决方案达到了良好的分类预测效果，针对凝血酶药物分子数据集的分类精度达到了63．76％。