机器学习被广泛应用于人工智能领域,包括自然语言处理、大数据处理、图像识别等具体内容。基于对平衡相变与非平衡相变理论的认识,采用机器学习方法研究相变问题逐渐成为可深入研究的领域。通过利用机器学习的复杂数据处理方法识别和预测相变模型演化过程的结构特征是应用机器学习到相变研究的基本方法之一。本文基于这一思想对包括有定向渗流（DP）普适类和奇偶守恒（PC）普适类的相变模型进行的机器学习训练研究。本文基于监督学习方法的研究工作包括有:以一维定向渗流模型演化规则设计的簇图生成程序,选取特定的训练集和测试集进行监督学习,得到了对（1+1）维边定向渗流模型（bDP）系统临界点的识别和无限尺寸极限下临界点的预测,其无限尺寸极限下临界点的预测结果是pc=0.6432,其与理论预测下pc=0.6447极为接近。同时对特征时间步进行了识别以确定动态指数z,其动态指数的识别为z=1.5808（0）。对于奇偶守恒普适类,我们以（1+1）维分支湮灭随机游走模型（BAW）的演化规则为依据设计了簇图生成程序,并对比了奇偶种子条件下不同的簇图结构特征。选取较小尺寸的训练集和测试集进行了监督学习训练得到了pc=0.491（4）的结果,其与较大尺寸的蒙特卡洛模拟结果pc=0.4946（2）非常接近,并且我们对比了不同尺寸对训练准确率的影响以明确方法改进的方向。我们还根据有限尺寸标度律对空间相关长度临界指数v⊥进行了测量,其结果是v⊥=1.83。对于非监督学习方法的工作则包括有:我们用自编码方法对DP普适类模型进行了簇图结构特征提取并对一维输出数据进行拟合以确定临界点,在对bDP模型数据进行多次训练后,我们得到pc=0.6472（8）的结果,其与理论预测值同样非常接近,并且系统尺寸在压缩到足够小时有较为精确的结果。对于PC普适类则是分析了基本自编码二维编码结果的相分类效果,并对基本自编码的一维正向与反向输出进行交叉预测识别临界点为pc=0.492（2）。我们还对系统的粒子数密度统计与基本自编码的一维编码输出进行了归一化对比,其皮尔逊相关系数值为0.9979。