分子性质预测是一项基础且重要的研究,准确预测分子性质在化学信息学的各个应用领域中都受到广泛关注,例如工业应用,环境工程及药物设计等。近年来,数据驱动方法取得的巨大成功以及机器学习技术的落地应用,加速了各个领域信息的交叉融合,也为分子信息获取带来了新的挑战和机遇。本文提出利用分子动力学和机器学习的方法分别对微波作用下超临界水的热力学性质,化合物分子的水溶性和水合自由能进行了预测研究。首先,通过分子动力学模拟实现微波与超临界水相互作用过程的微观信息获取。我们发现超临界水的温度与微波电场强度呈现指数关系变化;微波加热过程中微波能转化为系统动能和分子间势能两部分,其中约40%的微波能存储在分子间势能;超临界水的扩散呈非线性波动。其次,使用e-dragon分子描述符作输入变量,构建Ada Boost、XGBoost、Light GBM和Cat Boost机器学习算法的定量结构性质模型预水溶性。结果表明,后三种模型预测性能超过Ada Boost,Cat Boost模型的拟合性能最高,稳定性更好,具有准确预测化合物水溶性的优势;通过模型给出的特征重要性排名,发现脂水分配系数描述符是影响化合物溶解性的主要因素。最后,利用RDKit分子描述符作为输入参数,基于Ada Boost、XGBoost、Light GBM和Cat Boost机器学习算法构建定量结构性质模型预测水合自由能。结果表明,Cat Boost预测效果较其它三个模型最好,Cat Boost模型的均方根误差更小,泛化能力更强;实验中用到的RDKit分子描述符可以更有效的表征水合自由能。综上,通过分子动力学和机器学习对水的相关性质的预测研究,可以为腐蚀性、爆炸性、高温、高压和微波辐照的极端环境下的分子性质预测提供理论参考,也能为应用于大规模数据量的分子性质准确预测提供一定的帮助。同时本文运用信息科学融入分子动力学的交叉优势为预测分子的理化和生物性质提供新的思路。