传统有机发光材料在高浓度或聚集态下通常会发生荧光淬灭,因此在很多场合其应用受到限制。幸运的是,聚集诱导发光(AIE)效应为这个问题提供了一个革命性的解决方案。AIE材料因具有在溶液分散态发光效率低,聚集态发光效率高的独特发光特性,而在基础生命科学、医学、化学等领域展现出很好的应用前景。然而现在对新型AIE材料的研发主要还是基于繁琐的试错方法。因此建立在实验之前就能预测出荧光材料AIE活性的模型非常有意义。目前常见的AIE分子有很多不同类型,其中的三苯胺(TPA)衍生物因同时具有AIE活性和TICT活性而在生物医学成像及诊疗、化学传感、有机发光二极管等领域的应用被广泛研究。然而还有很多TPA衍生物都不具有AIE活性,而且目前也没有能够准确预测TPA衍生物的AIE活性的有效方法。本文以TPA衍生物为例,通过量子力学与机器学习的结合,建立了一种能够预测AIE活性的数学模型。考虑到量子力学能够计算出分子的理化参数,而机器学习具有从大样本量多维度数据中拟合出变量之间数学关系的能力。于是我们从文献中收集了61种TPA衍生物,并用DFT进行了结构优化,然后通过NBO分析计算了分子内电荷分布。再用支持向量机(SVM)分类算法来拟合电荷分布与AIE活性之间的关系,从而建立出能够预测TPA衍生物AIE活性的机器学习模型。经过优化,该SVM分类器的敏感性、特异性和准确率分别可以达到0.80、0.90和0.84,表明其对TPA衍生物的AIE活性具有很好的预测效果。本研究还类比偶极矩定义了一个能近似描述TPA核上电荷分布不对称性的物理量,并通过ROC曲线找出最优的阈值,从而建立出一个简单的AIE活性判别方程,其对AIE活性的分类效果跟SVM分类器完全一样。这些结果表明TPA核上足够大的偶极矩是激活TPA衍生物AIE活性的关键因素,这与TICT机理的解释一致。最后还通过所建立的机器学习模型预测出一个新型AIE分子,并用实验对其AIE活性进行了验证。这项工作为AIE的研究以及AIE材料的高通量筛选提供了新方法。