托卡马克等离子体信息的获取需要各种诊断系统,然而在强电磁辐射环境中诊断系统的正常运行会遇到严峻挑战。如某个诊断系统故障而无法探测到等离子体内部对应信息,这将极大影响等离子体的物理研究。诊断系统信号是对等离子体信息的多方位映射,其间存在着各种联系。因此,可借助其他诊断信号推测缺失的诊断信息,消除对物理研究的影响。本文运用机器学习研究等离子体参数之间的拟合关系,借助其他常规诊断信号在J-TEXT装置上进行了等离子体电子温度估算的模型研究,以弥补测量电子温度的诊断信号缺失造成的研究影响。在此研究基础上,本文还运用各类诊断信号和机器学习对锁模等现象进行自动分类与识别标记的模型研究,将有助于充分挖掘等离子体内部联系和进一步研究磁流体不稳定性（Magnetohydrodynamic instability,MHD）的物理机理。本文分析了等离子体诊断信号与电子温度之间的联系,运用全连接的反向传播神经网络（Back Propagation Neural Network,BPNN）和广义回归神经网络（General Regression Neural Network,GRNN）以电子回旋辐射测量或弯晶谱仪（X-ray Imaging Crystal Spectrometer,XICS）探测的电子温度为输出目标,其它等离子体诊断信号（软X射线辐射强度、电子密度、等离子体电流、环路电压以及环向磁场强度等）为输入参数,训练并完成参数设置,实现了电子温度的估算及其剖面的重建。此外,也进行输入等离子体参数对电子温度的敏感性分析。基于BPNN的模型可通过等离子体基本参数实现电子温度的预测,甚至对部分MHD引起的电子温度扰动信号（如锯齿振荡）也能获得很好的预测结果,平均误差在5%以内。基于BPNN、GRNN分别训练了多个预测不同径向位置电子温度的网络模型,以此重建了电子温度剖面。对比了两种神经网络对电子温度的预测效果,BPNN对电子温度的扰动信息预测效果较好,GRNN对平衡温度信息预测速度较快。因此,该方法验证了等离子体诊断信息存在关联,即可通过神经网络算法实现诊断信号之间的预测,即使相关诊断发生故障而无法提供有效信息,仍然可借助机器学习实现等离子体关键信息的获取,为等离子体信息获取提供支持。本文研究了等离子体诊断信息与磁流体不稳定性之间的联系,运用聚类分析和支持向量机（Support Vector Machine,SVM）算法实现了等离子体内MHD行为的自动分类识别。利用无监督式学习的K-均值、层次聚类算法模型,研究了各种诊断信号对等离子体内MHD行为的分类识别效果;选择以磁扰动、软X射线辐射和电子密度等信号为输入参数,实现了对等离子体内锁模、穿透、锯齿振荡、撕裂模等现象的实时分类识别与自动标记,正确率达95%以上。同时,本文还运用监督式学习训练了SVM算法模型,对锁模现象进行识别和分类,正确率达到94%以上。因此,该方法实现等离子体中各种MHD现象的准确分类识别与标记,有助于未来对锁模、穿透、锯齿震荡等物理现象的深入研究。本文基于等离子体内部信息及诊断信号之间的关联性,借助机器学习对J-TEXT装置中的等离子体电子温度预测、MHD现象分类等方面进行研究,并获得了较好的预测与分类识别结果。该方法将有助于深入开展相关物理分析,为J-TEXT装置的聚变研究提供有效助力。