通过计算机模拟分子的变化及物理化学性质是研究分子的主要理论方法。这其中主要包括分子动力学模拟和量化计算。分子动力学模拟是基于已有力场的来描述分子运动时原子的变化性质。借助于计算机硬件,特别是GPU的发展,分子动力学模拟可以体现上百万个原子的变化过程,但受限于力场,分子动力学模拟无法很好的刻画化学反应。量化计算是通过描述原子周围的电子云来模拟原子的运动和相互作用,这种更加精确的计算可以用于研究化学反应,但能模拟的体系原子数目不大。深度学习是人工智能的重要科学之一。其主要研究方向是在海量数据的基础上,通过经验学习,改善具体算法的性能。受益于理论的框架发展,深度学习在众多传统方法无法很好应对的学科,取得了突破性的进展,这其中包括网络,文本和图像搜索,语音识别以及生物信息学等。同时深度学习也在理解量子系统方面取得类似的突破。本文提出了一种同时基于量化计算和深度学习的理论方法(Quantum Mechanics-Deep Tensor Neutral Network,QM-DTNN),用于合理预测蛋白质中氨基酸的物理化学性质。在QM-DTNN中,采用MFCC方法,通过添加分子帽的方式,蛋白质被分解成独立的氨基酸单元。我们通过Metadynamics的增强采样方法确保数据集的完备性,进而构建训练、验证和测试数据集。DTNN的输入包括氨基酸中原子的成对间距和核电荷。使用量化计算所得到的氨基酸单元的物理化学性质作为DTNN的输出。在深度张量神经网络当中,通过积函数,输入被转换为一组张量。通过卷积提取有效信息,用于网络输出。本文选择多种典型氨基酸,通过DTNN预测能量,其结果与QM数据具有良好的相关性。其中绝对预测误差的平均值和绝对预测误差的标准偏差值偏小,确定整体精度较高。进一步说明,在特定的化学环境中,DTNN方法能够预测原子的能量。与可接受的精度误差的QM计算相比,我们所提出的方案显著减少了计算时间。这项工作的根本是快速准确计算小分子物理化学性质。我们的方法在不同的应用领域被证明是有用的。作为化学相关性的一个例子,本文选择蛋白质中的氨基酸进行研究。我们的模型用于预测分子中的原子能量,证明了机器学习的潜力,揭示了对于复杂量子化学系统的见解。