核聚变是将两个较轻的原子核聚合为一个较重的原子核,并释放出能量的过程。最典型、最容易实现的聚变反应是氢的同位素——氘与氚的聚变。核聚变不会产生核裂变所出现的长期和高水平的核辐射,不产生核废料,不产生温室气体,基本不污染环境。因此,开展受控核聚变研究被科学家们认为是解决人类未来永久清洁能源最有前途的研究领域之一。随着国际热核聚变实验堆计划（ITER计划）的启动,托卡马克（Tokamak,俄语环形、真空室、磁和线圈这几个单词首字母缩写的音译）结构的受控核聚变实验装置逐步成为世界各国科学家们的主流研究对象。托卡马克实验研究的不断进展使研究人员发现,要获得更高参数的等离子体,例如:更高温度、更大电流、更高密度和具有较大拉长比的先进位形等离子体,就必须设计和建造更大规模的托卡马克实验装置,并不断创新托卡马克建模方法、优化控制器设计,以提高等离子体的控制精度。本文的研究工作将围绕中国环流器二号装置HL-2A和HL-2M的深度学习建模和等离子体控制展开。主要的研究内容与创新点如下:（1）从HL-2A装置入手,详细分析了传统的等离子体平衡响应建模方法,并依据所得单输入单输出（SISO）系统的数学模型设计了HL-2A等离子体各独立子系统（等离子体电流反馈控制系统、等离子体垂直位移反馈控制系统和等离子体水平位移反馈控制系统）的PID控制器。通过对HL-2A等离子体控制系统的分析,理清了各子控制系统输入和输出之间的关系。在HL-2A等离子体控制器优化设计方面,本文提出一种基于径向基神经网络的自适应PID控制算法,并在仿真研究中获得良好的控制效果。新的自适应控制算法丰富了托卡马克等离子体控制器的设计方法。（2）为获得精度更高的等离子体预测模型,依托HL-2A的部分历史实验数据,提出了一种基于深度神经网络——长短时记忆网络（LSTM网络）的深度学习建模方法,并首次应用于托卡马克等离子体位置的预测。在对这种网络模型的预测分析中,从均方根误差、拟合优度、相关性等多个维度对其预测性能进行评估,并与传统建模方法所得模型的预测性能进行对比。结果表明,本文所设计的深度神经网络模型对放电实验中等离子体电流、等离子体垂直位移和等离子体水平位移有较高精度的预测能力。（3）在HL-2M中,由于系统输入存在相互关联、相互耦合的关系,使得系统呈现出多输入多输出系统（MIMO）的特征,等离子体电流、等离子体垂直位移和等离子体水平位移这些被控量不可能再单独进行控制。这就有必要研究HL-2M基于长短时记忆网络的多输入多输出系统的深度学习建模。本文利用核工业西南物理研究院开发的一种基于MATLAB软件的位形仿真平台,模拟HL-2M放电实验,并产生了5500组实验数据。这些实验数据被用于构建训练集、验证集和测试集,并将这种长短时记忆网络应用于MIMO托卡马克等离子体系统的深度学习建模。经过训练后的深度神经网络模型对HL-2M等离子体电流和等离子体水平位移的实验数据具有良好的预测性能。（4）针对HL-2M首次放电实验要求产生孔栏位形的等离子体以及被控对象MIMO系统的特点,本文提出了基于径向基神经网络自适应PID控制算法的改进方案,使之适用于HL-2M的等离子体控制。该算法获得的控制器参数为2020年12月HL-2M放电实验提供了有效参考。最后,本文还给出了HL-2M等离子体控制系统的结构原理和实验预案。在经过数百炮的跟炮实验调试以后,HL-2M装置成功获得了具有持续等离子体电流的输出响应。