分子属性预测是一项基础而重要的工作,受到跨领域的研究者的广泛关注;并在包括药物设计,材料发现,食品开发等多个领域有着广泛的应用。然而,传统的基于密度泛函理论的方法因为其极高的计算消耗,而无法被应用到大数据集上去。此外,也是由于这种较高的计算代价,使得已有数据集中,带标签数据较少,而无标签数据较多。本文首先提出了一种具有泛化性的多层级图卷积神经网络用于分子属性预测。特别的,该模型将每个分子表示为一个图以保存其内部结构。此外,这个精心设计的神经网络能够依照分子内多层级相互作用逐层提取分子的构成和空间表征。因此,就可以利用这种多层级表征来进行属性预测。实验证明本文提出的方法能够在多个数据集上取得最好的预测精度,并在迁移性和泛化性上显著优于其他方法。接着,为了解决分子属性预测中带标签数据不够的问题,本文提出了一个新颖的主动半监督图神经网络框架,它能够有效融合带标签数据和无标签数据。该框架可以看作是一个教师-学生框架,其中教师模型和学生模型交替运行并通过权重迁移进行训练加速。此外,该框架还提出了一个基于主动学习的策略来提高标签效率。本文在不同的实验设置下进行了周密的实验,实验结果表现出模型出色的性能和可解释性。最后,为了展示机器学习在分子属性预测问题中的能力,基于提出的模型,以有机半导体材料的光电属性为例,构建了一套从数据生成,模型训练,属性预测以及最终应用到光谱吸收预测上的工作系统。大量实验表明,这套系统可以取得能够媲美密度泛函分析的精度。此外,通过该模型对二氯甲烷中UV-Vis的吸收光谱进行建模,实验结果表明,模型生成的计算光谱和实际光谱之间取得了良好的一致性。