研究炸药撞击感度与分子特征量间的关联关系一直是炸药理论的一个重要课题。由于含能材料的储存、合成和应用很大程度上受感度的影响，这使得炸药撞击感度的研究意义重大。近年来，用从头算方法来估测各种炸药分子撞击感度的研究愈来愈多。尽管上述工作找到了炸药撞击感度和分子特征量间的某些关联关系，但这些关联只涉及了一个或两个分子特征量。同时，由于某些炸药的力学引发机理尚不明确，以及落锤实验的不确定性所导致的大量实验数据的不准确，使得炸药研究者仅使用量子化学方法研究分子特征量与撞击感度间的关联存在困难。 神经网络系统是由大量的、同时也是很简单的处理单元(或称神经元)广泛地互相连接而形成的复杂的非线性动力学系统。它曾被广泛运用于机器人技术、模式识别、化学和物理等众多领域，并取得了非常好的结果，但对于炸药工程，有关撞击感度的神经网络报道还很少。 密度泛函理论(DFT)是计算热力学反应的一个非常有效的方法。与量子化学从头计算法相比，最大的优势就在于它能够处理一些比较复杂的系统，因此更能够满足实际应用的需要。 为进一步研究撞击感度和分子特征量间的关联关系，本文在利用密度泛函理论计算分子电子结构基础上，引入人工神经网络方法研究了多个不同的炸药分子特征量和撞击感度的关联关系。 本文选取了36个多硝基炸药分子作为研究对象，用B3P86/6-31G**方法对36个炸药分子的几何构型进行了全优化，并求得了在各自平衡构型下的电子结构的各特征量。通过引入BP神经网络方法，共设计了8个不同的输入方案，结果表明含特征量(HOMO-LUMO)*BDE的方案训练预测结果最理想，说明在网络结构和训练参数基本相同的情况下，(HOMO-LUMO)*BDE与撞击感度的关联度最强，关联强度仅次于它的特征量是(HOMO-LUMO)。 此外，对33个硝胺炸药分子体系，本文同样利用B3P86/6-31G**方法对其分子几何构型进行了全优化，并仍采用BP人工神经网络方法进一步研究了撞击感度与分子结构特征量的关联关系问题。结果表明含特征量△E(原子化能)的输入方案预测结果最理想，即△E与撞击感度的关联度最强，说明△E可作为预测其撞击感度的标志性指标。