二氧化碳（CO2）因其无毒、储量丰富、可再生等特点是合成化学中一种绿色的Cl反应原料。在众多CO2催化转化方式中,以CO2作为羧基源制备羧酸及其衍生物是一类重要的反应路线。羧酸是一类重要的生物质平台分子,可以制备橡胶、塑料、洗涤剂、农药和染料等多种化学品。近年来,过渡金属催化的CO2参与的羧基化反应得到了众多的报道,实现了羧酸及其衍生物的高效制备。在这一背景之下,开展过渡金属催化的CO2参与的羧基化反应机理以及规律性研究,重点关注反应选择性以及反应效率的影响因素,可以为研究者进一步开发和优化反应提供有利的信息。主要研究内容可以分为以下部分:本文首先利用密度泛函理论计算对Ni催化1,3-共轭二烯的双羧基化反应进行了系统的机理探究。计算结果表明整个催化循环主要经历了 Ni（0）催化的第一个羧基化、Ni（Ⅱ）到Ni（Ⅰ）的还原和Ni（Ⅰ）催化的第二个羧基化。其中第一个和第二个羧基化反应分别为反应的决速步和区域选择性决定步骤。在第一个羧基化反应中,我们发现了一种不同于以往羧基化反应机理研究报道的CO2插入到C=C双键的方式,即CO2进攻了没有与Ni配位的烯烃基团的C原子。由于发生在端位C上的第二个羧基化对Ni（Ⅰ）中间体中Ni与烯丙基之间的d→π*稳定作用的影响较小,因此第二个羧基化反应趋向于生成1,4-羧基化产物。在本文的研究体系中Ni（0）-双烯中间体对CO2的亲核加成为反应的决速步,同时结合前人的文献报道可以发现过渡金属催化的CO2参与的羧基化反应通常都涉及到了[过渡金属-R]中间体对CO2的亲核进攻过程。因此开发新的[过渡金属-R]中间体亲核性的预测方法对于催化剂和底物的快速筛选具有重要的意义。鉴于图神经网络（GNN）在分子性质预测任务上的成功应用,本文随后探究了GNN在分子亲核参数预测方面的表现。实验结果表明GNN能够有效地整合和学习分子的结构和电子信息。对比前人报道的其他机器学习算法,本文提出的模型在亲核参数预测的准确度上达到了最优的效果。此工作可以为将来利用GNN预测过渡金属络合物的亲核性打下基础。