近些年，细菌耐药性问题严重威胁人类健康，致使新型抗生素的研发迫在眉睫。离子液体（ILs）具有可设计性强和化学结构多样等特点，有望成为新一代抗生素。然而ILs种类繁多，仅采用成本高、周期长的体外实验筛选ILs不切实际，因此开发高效的ILs结构-抗菌活性预测模型意义重大。为此，本文提出一种基于深度迁移学习的ILs型抗生素的高通量筛选方法，旨在解决ILs数据稀少及离子结构-活性关系复杂的难题，有望为新型抗生素的发现提供新的策略。本文采用消息传递神经网络（MPNN）和迁移学习方法得到性能可靠的ILs抗菌性和毒性预测模型，并设计高通量筛选流程，主要工作如下：（1）建立有机分子和ILs对金黄色葡萄球菌的抗菌活性数据集（MolData和ILsData），数据量分别为36993和120。对比分析表明两者在分子量、元素种类、抗菌活性和化学空间等方面的数值分布相近，有利于迁移学习。模型架构探究表明基于有向边传递机制的D-MPNN模型具有更佳的抗菌性预测性能。此外，探究了数据集大小、数据分割方法、超参优化和模型集成对D-MPNN模型预测性能的影响，从而获得最佳的模型训练设置和超参选择。进一步采用MolData预训练模型，并在ILsData上微调模型。结果表明，在冻结预训练模型的消息传递层参数的条件下，迁移学习能使模型的ROC-AUC值提升9.41%，并使标准偏差降低10.99%，且最佳模型的ROC-AUC值可达97.56%。（2）建立有机分子和ILs的毒性数据集（MolToxData和ILsToxData），数据量分别为4677和271。与（1）中流程相似，在最佳模型设置下，使用MolToxData预训练模型，并在ILsToxData上微调模型。结果表明，在不冻结预训练模型参数的条件下，迁移学习能使模型的ROC-AUC值提升3.51%，并使标准偏差降低4.91%，且最佳模型的ROC-AUC值可达91.00%。（3）建立包含约200万种ILs的理论结构库（ILTSD），并与ILsData、MolData、ILsToxData和MolToxData进行对比。分析表明ILTSD在分子量、元素种类和化学空间方面均具有比其它4个数据集更广泛的数值分布。非线性降维分析表明迁移学习可以扩宽模型的适用范围，有利于模型在庞大的ILTSD上进行预测。进一步，使用（1）和（2）中的最佳模型预测ILTSD中ILs的抗菌活性和毒性，并筛选出13299种预期具有抗菌活性且无毒性的ILs。最后，对候选ILs进行可行性评估，获得1000种有望成为新型抗生素的ILs。