由于技术的发展,新化合物的合成速度加快,每年诞生的化合物数以万计,传统的评价方法不可能高效的对所有化合物进行评估。并且近年来患癌人数急剧上升,目前仍不清楚大多数的癌症是暴露于何种致癌化合物而导致。世界卫生组织国际癌症机构致癌清单中仅有429种物质被归为具有致癌性物质,但仍存在多种化合物未进行判定。传统的化合物致癌性评估主要通过实验测试进行,试验周期长且成本昂贵,不确定因素过多,因此迫切的需要开发替代方法和工具来评估化合物的致癌性。本文的研究目的是尝试基于分子的不同特征表征构建不同的致癌性分类模型,实现对化合物致癌性的预测。首先,本文从两个权威机构中收集了致癌性和非致癌性数据作为数据集,将数据处理成SMILES和CID两种形式,根据这两种形式提取化合物的不同特征来构建两种以分子和原子为最小单位的致癌性物化特征。其次,根据不同特征表征构建不同模型,分子描述符和分子指纹分别提取了有关分子不同维度特征作为输入,并以致癌性和非致癌性作为标签,基于八种分类算法构建了空间映射模型,根据三种评判标准（精准率、召回率和Auc值）,比较了分类模型的性能,验证了实验的可行性。然后,以分子图结构作为输入,分子图结构提取原子特征并进行相关性的特征选择,以19种原子特征作为致癌性特征构建图卷积Carcino-GCN模型,以不同的聚合机制影响最后的输出结果。但是,考虑到分子结构具有三维性,只基于二维图结构作为输入不具有代表性,随后引入了具有空间表征意义的相对位置矩阵构建空间图卷积Carcino-SGCN模型,同样引入了不同的聚合机制,不同的聚合一定程度上影响着特征聚合。最后,通过分析对比基于不同特征表征的分类模型,得到的结论是以三维分子图形式作为输入,构建的空间图卷积网络在所有的模型中性能最好,分类精准率最高达0.954。由此印证了以分子图结构作为输入,构建的空间图卷积神经网络在致癌性预测上的可行性,为分子的致癌性预测提供了另一种有效可行的方案。