含能分子是一类在爆炸时具有高能量的分子,目前常见的已经合成的含能分子数量很少,且目前含能化合物的设计主要依赖于化学实验,但随着对化合物性能要求的不断增长,化学实验因为需要反复试验、合成复杂、成本高、危险性大等因素的问题,已经大大限制了发现新的含能化合物的进程,目前为止,从设计到量产一种含能化合物大概需要20-30年的时间,并且需要消耗大量的资金。直到材料基因组计划的出现,才有望解决这一现象,材料基因组计划将现阶段的分子设计工作由原来的研究者设计到实验合成,逐渐转变为通过高通量计算分子性质、实验辅助验证高通量计算的准确性与数据库将数据同步存储三大技术相结合,使材料设计方法转变为“理论预测预实验验证相结合”的新模式,其可有有效的将分子设计周期和成本降低一倍。但材料基因组计划依旧然需要消耗大量的计算机资源,尤其是分子性质进行预测的过程也要消耗大量的时间,这让我们无法快速筛选特定分子,随着机器学习和人工智能技术的发展,基于大数据和深度学习的方法对分子性质进行预测的研究也越来越多,人工智能在含能化合物性质预测领域可以快速准确的计算出数以百万计的分子性质,从而帮助人们快速从数以百万计的搜索空间中快速筛选出合适的分子,本文为解决设计含能分子遇到的问题,重点做了以下工作:1)含能化合物大都为硝基化合物,而大多数化合物可以表示为骨架+硝基的模式,因此我们只需要找到合适的骨架并进行硝基的取代即可完成含能化合物的初步设计工作,但是基于目前没有合适的办法获取分子骨架的问题,本文通过CCDC和GDB-13数据库将现有分子拆分成分子骨架,并且训练了一个基于循环神经网络的分子骨架生成模型,可以短时间内大量生成不重复且密度较大的分子骨架,模型的新颖性超过90%。2)针对分子组合的问题,设计了一种可以将分子骨架和分子基团拼接的算法,算法基于深度优先搜索实现,可以在短时间内大量将分子和骨架拼接,拼接后的准确率达到90%,与传统方法相比,设计新分子结构时间提升一倍以上。3)针对分子筛选问题,设计了深度学习与高通量计算结合的分子筛选方法,该方法首先设计了一个基于图神经网络的密度预测模型,快速预测处分子的密度,筛选高密度的分子,最后通过高通量计算对分子的爆速、爆压、撞击感度、BDE等进行计算,最终筛选出符合需要的含能分子。