机器学习算法是计算机自动分析已有数据获得规律,并用所获规律进行判断决策的算法。机器学习算法包含非监督学习算法和监督学习算法,比如,主成分分析算法是一种简单的非监督学习算法,神经网络则是一种常用的监督学习算法。近年来,机器学习算法开始被引入到物理学研究中。在量子关联体系中,机器学习算法被用于刻画量子多体波函数;加速现有的量子多体算法,发展新的量子多体算法;识别不同的相及相变。本论文中,我们将机器学习算法引入到反铁磁海森堡模型的研究:采用主成分分析算法刻画了海森堡链的基态波函数,用于完善和指导应用特征矢量延拓算法求解其基态能量;我们还利用神经网络识别了三角海森堡模型在不同外磁场下的多个不同的相并确定了发生相变的临界磁场。我们首先通过主成分分析算法分别确定了包含4个自旋和包含6个自旋的反铁磁海森堡链基态波函数矢量随参数变化的轨迹所在的低维子空间,并在子空间中直观地绘出了波函数矢量轨迹;我们进一步通过确定包含8,10,12,14个自旋的海森堡链基态矢量随参数变化的轨迹空间的维度,归纳出采用特征矢量延拓求解随参数变化的海森堡链基态能量所需基矢数目随其所包含自旋个数增加的变化规律;最后我们通过求解包含16个自旋的海森堡链基态能量作为例子证明这个规律可以用于指导特征矢量延拓求解具有更多自旋的海森堡链基态。我们还采用卷积神经网络研究了具有三角晶格的反铁磁海森堡模型在外磁场作用下的相变,在有限温度下,该模型在不同外磁场的作用下具有多个（多于两个）不同相。现有的机器学习算法研究两个相的区分已经比较成熟,例如运用神经网络区分伊辛模型的低温相和高温相。我们通过训练卷积神经网络区分了该模型在不同外磁场的作用下的多个相并成功的确定发生相变的临界磁场。