在复杂网络领域中,流行病传播动力学的阈值识别是一个热点问题。爆发阈值对于流行病的评估、预警和防控具有很重要的指导作用。针对不同类型的动力学过程和不同结构的网络,流行病爆发阈值的识别结果往往会有较大差异。传统的流行病爆发阈值的识别方法,如理论解析和数值模拟等,都存在一定的局限性。本文主要运用机器学习理论和方法对复杂网络上流行病传播的阈值识别问题进行深入研究,通过经典的易感-感染-易感（Susceptible-Infected-Susceptible,SIS）和易感-感染-移除（Susceptible-Infected-Removed,SIR）模型及其传播动力学配置信息来探索疾病传播阈值的识别方法,主要完成了以下两个方面的研究:一、SIS传播模型的阈值识别。首先,本文提出一种基于前馈神经网络预测模型的方法。通过训练前馈神经网络,将流行病传播动力学配置信息与有效传播率联系起来。从而,前馈神经网络预测的有效传播率的准确性可以作为识别相变的测度,在没有任何先验知识的情况下做出准确的相变预测。然后,考虑到前馈神经网络只是简单利用了节点的动力学信息,而完全忽略了网络结构信息。本文提出了一种基于卷积神经网络的预测模型,该方法将网络的拓扑结构和动力学信息结合成一张多通道的图片;通过训练卷积神经网络,可以同时学习网络结构和动力学信息。虽然预测模型方法在识别阈值时不需要相位的信息,但是它仍然需要一个监督的子程序。因此,提出了一种基于变分自编码器的完全无监督的阈值识别方法。在大量合成网络和真实网络上分别对这三种模型进行测试,得到较为准确的爆发阈值。二、SIR传播模型的阈值识别。首先,本文把预测模型的方法推广到SIR传播模型上。由于无法从SIR模型单次模拟数据中取出足以鉴别相变的信息,预测模型方法识别阈值的效果并不理想。本文采用临界可变性的特征提取方法,引入节点的平均感染概率,对数据集进行预处理,使得处理后的动力学信息能够很好的反映传播的临界行为特性。其次,本文通过变分自编码器的低维潜在空间来诠释特征提取后传播动力学数据的变化,将低维空间中发现的相变特征作为相变的指示。本文在大量合成网络和真实网络上分别对预测模型和变分自编码器进行测试,取得了较好的阈值识别结果。