Monte Carlo方法作为一种重要的统计模拟方法,广泛应用于高分子科学、统计物理、生物医药、金融等领域中的模拟计算。Monte Carlo方法可以用于模拟高分子的各种微观状态,构建不同概率分布的高分子构象。基于马尔可夫链的Monte Carlo(MCMC)抽样是一种常见的抽样方法,搭配上特定的抽样方式用于解决各态历经(ergodicity)难以实现的问题。Monte Carlo方法是以概率统计为主要思想,并通过大量的抽样来解决理论以及实验上难以解决的问题。也正是因为其需要大量的样本用于各种物理性质的精确计算,所花费的时间代价也是巨大的,因此该研究引入机器旨在少量的样本下也能够精确计算聚合物的临界相变。深度学习作为机器学习的分支之一在图像处理方面取得了傲人的成绩,基于深度学习的项目也不断涌现。卷积神经网络由于其特殊的特征提取方式在图像识别领域更是大放异彩。卷积神经网络所处理的数据对象一般是图片,将其运用到高分子领域的尝试仍然还是少数。由于本研究的高分子对象是三维结构,因此它被当作RGB图像输入神经网络进行研究,用于识别结构上的差异。本文采用Monte Carlo方法模拟高分子链在具有吸附作用的表面的吸附运动,在不同温度的影响下,高分子单体与吸附表面的作用也会发生相应的变化,从而导致高分子链在不同的温度下具有独特的构象性质。使用模拟退火算法,线性链在均质表面和条纹表面会发生两态变化和三态变化。将构象数据和温度信息经过特殊的处理,采用神经网络进行识别线性链的临界相变并获得了较高的识别率。不同条纹宽度下不同状态的混合样本的识别,由于交叉温度的差异会表现出不同的识别难度。环形链在均质表面的吸附运动与线性链存在着许多差异。特殊的环形结构使其空间结构更加紧凑,亦增加了其接触表面的机会,因此相对于线性链来说,环形链具有更小的回转半径以及更小的临界相变点。但是在标度指数上,在不同的温度下它们具有相同的变化趋势以及范围。