本论文以上海同步辐射装置为研究平台,结合实际束流诊断需求,研发了一系列高精度的逐束团诊断算法。基于这些逐束团诊断算法,我们编写了一套信号处理软件包HOTCAP,搭建了逐束团三维位置及电荷量诊断系统。在该系统的帮助下,我们利用包括机器学习算法在内的各类数据处理算法解决了一系列同步辐射光源运行中存在的问题。束流测量是加速器的“眼睛”,更好更准确的测量束流和机器参数对加速器运行来说十分重要。在上海同步辐射装置研制了一套三维位置和电荷量原位测量系统。来自BPM（束流位置探测器）的信号几乎携带束团的全部信息,宽带数字示波器可以保留大部分信息。因此,一个四通道宽带示波器被用来捕获来自BPM所有电极的信号。采用基于相关系数的波形矢量匹配方法对束团参数进行同步提取。实验结果表明,在束团电荷为600 p C的条件下,束团电荷的纵向相位测量不确定度小于0.2 ps,横向位置测量不确定度小于5μm,电荷测量不确定度为0.3%,达到了国际先进水平。为了配套该系统,我们搭建了一套信号处理软件包。该软件包以高速示波器记录的采集电极信号波形为输入,计算并输出逐束团电荷和三维位置。除了能够在所有BPM电极上对每个经过束团的运动进行三维观察外,它还提供了许多附加功能,如注入分析、束团响应函数重建、逐圈束流分析等。该软件包具有简单易懂的图形用户界面和方便的交互操作,并已在Windows 10系统中得到验证。该软件包有极强的通用性,可应用于世界上各类电子储存环中,为装置的运行和粒子物理学家的研究提供帮助。机器学习是一个非常强大的工具,而逐束团诊断系统每时每秒提供的束团数据就是配合其工作最好的数据源。基于此我们结合机器学习和逐束团测量系统对同步阻尼振荡参数提取和束流耦合尾场作用机理做出了研究。一个深层卷积神经网络被设计搭建出来用以预测同步阻尼振荡的关键参数。在这项工作中,我们创新的将存在时空间关系的原始测量信号以多维张量的数据形式仿照图像处理的方法来处理。与传统方法相比,卷积神经网络模型在保证测量精度的同时将计算时间从小时级别压缩到10 ms左右,这大大提高了诊断效率,节约了计算资源。一个基于Res Net（残差神经网络）和RNN（循环神经网络）的深层混合神经网络被搭建出来用以预测束团横向振荡能量传递过程,提取束团等效全环耦合尾场函数。在这项工作中,我们应用了最新兴的机器学习算法思想并结合物理原理,设计了神经网络结构,在预测出振荡能量传递过程的同时,提取等效耦合尾场。为了提高机器性能,需要对存储环的光学参数进行精确测量。常用的加速器光学参数包括动量紧缩因子和色散函数,是反映机器状态的关键参数。在用户操作运行过程中,用传统的方法对其进行测量是很困难的。基于高分辨率逐束团三维测量系统,我们首次实现了动量紧缩因子和色散函数的无损测量。在不扰动光束的情况下,在用户正常运行时,直接从逐束团三维位置的观测结果中得到动量紧缩因子和色散函数。测量结果与设计值吻合较好,这为提高运行效率提供了方法上的保障。基于逐束团诊断系统,我们对装入上海光源储存环的三次谐波腔展开了一系列研究。我们首次在正常运行中观测到了包括横向工作点漂移、加速相位分布变化、同步振荡阻尼时间变化等一系列束流负载效应。这为加速器装置的调试提供了帮助。最后,论文对这些工作进行了总结,给出了依然存在的问题并一一提出了优化的方向。