含能材料作为国防科技及其武器装备的核心材料,高安全性超高能含能材料的精准分子设计与高效绿色合成是含能材料领域的重大战略需求与技术挑战。机器学习与定量构效关系（QSPR）相结合是新型含能材料研发的有效手段,旨在通过探究含能化合物分子结构与理化性质之间的变化规律,进而实现高能含能材料的性能预估与智能筛选,可有效提升含能材料研发与应用的效率。本论文从新型含能材料性能预估与分子结构智能化筛选的实际需求出发,以含能材料的密度和爆速为例,开展基于机器学习结合QSPR的含能材料爆轰性能预估及筛选方法研究,为新型含能材料的精准分子设计、智能筛选以及高效合成提供理论基础与技术支撑。主要研究内容如下:（1）以含能化合物的密度和爆速为研究对象,建立基于最小二乘支持向量机（LSSVM）结合QSPR的含能化合物爆轰性能预估方法。首先,获取179个含能化合物的分子描述符和性能参数信息,并利用Kennard-Stone法进行QSPR模型的校正集和测试集样本选择;然后,以146个分子描述符作为输入变量构建基于RF、PLS和LSSVM的三种QSPR初始化校正模型,并利用交叉验证方法结合平均相对误差（MRE）最小原则进行模型参数选择与优化;最后,分别构建基于最优模型参数的三种QSPR校正模型,并对测试集样本的两种性能进行预测以验证其预测性能。结果表明,相比RF和PLS两种QSPR模型,不论是密度还是爆速,LSSVM-QSPR校正模型都表现出较优的预测性能（密度:MREP=0.0159,RP2=0.9712;爆速:MREP=0.0735,RP2=0.6854）。因此,建立了基于LSSVM-QSPR的含能化合物爆轰性能预估方法,为新型含能化合物筛选提供了新思路与新方法。（2）为了提升QSPR模型的建模效率,借鉴变量选择策略,建立基于变量选择方法（VIM和VIP）结合LSSVM的含能化合物爆轰性能预估方法。首先,利用变量重要性测量（VIM）和变量重要性投影（VIP）分别计算每个分子描述符的重要性阈值;然后,利用十折交叉验证方法结合MRE最小原则对其进行选择与优化,并考察不同输入变量对LSSVM校正模型预测性能的影响;最后,在最优的输入变量和模型参数条件下构建LSSVM-QSPR校正模型。结果表明,对于密度来说,最优的校正模型为VIP-LSSVM-QSPR（MREP=0.0038,RP2=0.9968）;对于爆速来说,最优的校正模型为VIM-LSSVM-QSPR（MREP=0.0620,RP2=0.8757）。因此,建立了变量选择策略结合LSSVM-QSPR的含能材料爆轰性能预估方法,有效提升了QSPR模型的建模效率。（3）在上述研究的基础上,以基于爆速（RE<5%）的含能化合物筛选为例,进一步建立基于机器学习结合QSPR策略的含能化合物筛选方法及系统。首先利用K-S法重新选择校正集和测试集样本,以146个分子描述符作为输入变量构建LSSVM-QSPR校正模型,并利用十折交叉验证对LSSVM-QSPR校正模型参数进行选择与优化;然后,利用最优化的LSSVM-QSPR对测试集的含能化合物爆速进行预估,并计算其相对误差（RE）和决定系数（R2）;最后,筛选出RE<5%的含能化合物,并计算这些化合物的公共骨架和官能团,进一步利用VIM对测试化合物的分子描述符进行权重计算与筛选。结果表明,筛选出的含能化合物的爆速实验值与测试值之间的R2和MRE分别为0.9851和0.0184,它们的公共骨架和官能团分别为苯环和硝基,权重>1的分子描述符共有25个。该研究为含能材料智能化设计与分子结构筛选提供理论基础与技术支撑。