分子的性质预测任务,即根据分子的结构和组成预测出它的诸如水溶性、毒性等各项自身理化性质的任务,被广泛运用于药物发现、新材料研发等领域。近年来,机器学习方法越来越多地被用于分子性质预测任务,大大降低后期工艺失败的负荷,节省大量的资源和时间。然而现有模型一方面忽略了分子子结构的空间位置信息,难以区分结构很相似的子结构,另一方面,由于现实的分子无论空间上如何旋转,分子本身构象如何不同但若是原子间作用不发生改变的情况下分子性质依然不会改变,但现有的基于图模型的分子性质预测中却没有关注这一问题。因此,亟需一种对于分子特征有更强表征能力兼具鲁棒性的模型方法。针对难以区分结构很相似的子结构在不同空间坐标位置上表征的问题,本文设计并实现了一个基于子结构序列空间位置信息编码的嵌入分子性质预测模型。首先,从分子的功能性出发对切分好的分子子结构组成的序列建模,从若干个原子组成的子结构能最大程度上反应分子的化学性质;其次,加入了子结构的空间信息,来获取结构很相似的子结构在不同空间坐标位置上的独特表征,从而增强模型区分不同位置的子结构细微差别的能力。最后在七个关于回归和分类任务的数据集上进行了实验,结果表明在其中6个数据集上表现均优于其他方法,在分子亲脂性指标上最多提升4%,实验结果表明该方法优于其他方法。针对分子如果旋转模型预测性质有可能发生改变的问题,为增强序列模型的鲁棒性,本文融合了一个加入原子层级原子本身性质、原子间化学键性质以及化学键之间的角度的一个图神经网络模型,其中,对于表示原子间方向的化学键键角引进了球面的Fourier-Bessel函数保证输入的原始分子不管如何旋转结果都不发生改变,从而在多个层级上获得更好的表征。在三个关于分子性质的回归任务数据集上进行实验,全部优于现有方法,并进行了消融实验,证明了方法的有效性。