随着城市化进程的加快,有机化合物的生产和使用日益增加,给人类带来许多便利和好处。但是,有机化学品的存在伴随着环境污染,影响着自然资源的方方面面,其毒副作用为生态环境带来了极大的负面影响,包括大气,土壤,水和依存的生物等。传统微生物降解有机污染物的方法繁琐、占地面积大、成本高,且无法从源头上阻止污染物进入环境,日益不适应现代社会的快速发展,采用机器学习方法预测和评估有机化合物的生态毒性,可以高效快捷地判断这些化学品可能对于人类和生态环境的潜在风险,并有助于深入开展有机化合物的生物降解研究。本研究采用分子指纹结合三种机器学习方法(包括随机森林、支持向量机和极端梯度提升),分别开发了有机化合物对大气环境、陆地环境和水体环境生态毒性的集成分类预测模型,经过五折交叉验证后,得到集成模型对来自三类模式生物的数据集的整体预测准确度分别达到88.7%、76.1%和92.6%,在接收器工作特征曲线(ROC)下的面积(AUC)为0.870、0.838和0.966。与先前报道的方法相比,集成模型实现了较高的准确率和AUC值。最后,使用随机森林算法进行特征重要性分析,确定了一些能代表性的表征生态毒性的结构特征。综上所述,本文具有以下创新性的工作:(1)开发了对有机化合物生态毒性预测的三个集成分类模型,模型均获得了更优的性能参数,为预测有机化合物的生态毒性提供可靠的技术支持和评估工具;(2)确定了一些有代表性表示生态毒性的警报结构,为更好地进行有毒污染物筛选和生态风险评价提供有力的理论支撑和指导价值。