特征筛选和深度学习是机器学习的重要分支。现如今各种结构和不同规模的数据充斥我们生活的方方面面。我们希望有效地提取数据中的模式并且能够建立高预测精度的可解释模型。而识别重要的可解释性特征的一项流行技术就是特征筛选。近来由于在各种机器学习任务中取得了巨大的成功,深度学习获得了大量研究者的关注。深度学习的一个重要特点就是提取特征。通过挖掘数据集中的关系,可以更准确的找到特征;通过增加层数来增加网络的复杂性,可以从数据中提取更高层次的特征,或者是与结构关联更少的特征,或者是更多与数据内容相关的特征。本文的主要贡献如下:(1)提出基于加强对偶多面体LASSO方法的配体分子海量特征筛选方法,大幅加速配体海量特征筛选过程,去除大部分无关的特征,使得后续学习仅需在小部分特征上进行,大幅提高了模型的学习效率。实验结果验证了我们算法的有效性。(2)提出了一种全新的基于加权深度学习和随机森林的GPCR相关配体分子活性的预测算法WDL-RF,它包括基于新型加权深度学习的分子指纹生成阶段和基于随机森林模型的生物活性预测两个阶段。该方法的特点在于,它是一个端到端的预测学习框架。实验结果显示,在所有数据集及模型评价指标上,我们算法的性能都是最好的。