内孤立波是物理海洋学中的一个重点研究对象，对海洋生态环境、海中传输设备、潜艇航行等具有重要的影响作用。内孤立波经常以不同方向传播，相遇后发生相互作用且伴有位相上的偏移。因此，相互作用后的内孤立波产生怎样的位相偏移（前移还是滞后），偏移量为多少等问题成为内孤立波追踪与预报工作中的重点研究内容。此外，在内孤立波的实验室研究中，为获得充足的数据进行分析，需要耗费大量的时间、材料等资源，并不断重复布置分层、制造内孤立波等复杂操作，这大大降低了研究效率。因此提出一种通过小样本数据实现对上述偏移量的预测的方法，有着广阔的研究前景和现实意义。机器学习是人工智能的重要研究领域，具有很强的数据挖掘能力。近几十年来，在医学研究、网络科技、股市预测、计算机视觉等众多领域均存在机器学习的应用研究。然而，目前还没有人将机器学习应用于内孤立波波-波相互作用方面。因此，该方面也需要研究人员来进行开拓、探知。本文以内孤立波波-波相互作用的一种简单类型——二维内孤立波对撞相互作用为研究对象，从机器学习的基本思想、国内外研究现状入手，将机器学习中监督学习和半监督学习的多种算法应用到二维内孤立波对撞相互作用的研究中。文中首先详细阐述了二维内孤立波对撞相互作用实验及机器学习的相关内容，为后续监督学习和半监督学习的研究提供样本数据和理论支持。接着，文章系统地研究了多种监督学习和半监督学习的算法，其中包括支持向量机方法、K近邻法、和两种基于自训练的算法，并使用这些算法对对撞相互作用后产生的偏移量进行预测。通过完整的实验和较好的数据结果，证实了将监督学习和半监督学习方法应用于二维内孤立波对撞相互作用研究的可行性与有效性。另外，文章在总结上述多种算法的优缺点的基础上，提出了一种基于自训练的SVM-KNN半监督算法，并在实验中得到了较好的结果。