微电子器件自出现以来就受到了人们的广泛关注,研究中发现,微电子器件在使用时会根据所选参数的不同而呈现出单周期、多周期或混沌等丰富的非线性动力学现象。本文基于极限学习机（ELM,Extreme Learning Machine）算法针对两种典型的微电子器件——Duffing振子和约瑟夫森结进行了非线性动力学的相关研究。具体工作如下:第一,我们对Duffing振子动力学状态的识别方法进行了研究。Duffing振子作为一种常见的MEMS（Micro-Electro-Mechanical System）元器件,有着对高斯白噪声免疫,但对弱周期信号敏感的特点,广泛应用在微弱信号识别与故障检测中。然而,如何快速准确地识别出系统处于什么样的状态一直是一个非常关键的问题。目前常用的Duffing振子状态识别方法是通过用计算Lyapunov指数来实现的,但这种方法存在计算量大、收敛速度慢等问题,计算结果也只能对周期态与混沌态进行识别,不能对周期态态数进行识别。由于以上缺点,本文提出了一种基于机器学习算法——极限学习机的Duffing振子状态精确识别的方法。首先,通过对Duffing振子时序信号进行频谱分析,我们发现可以利用频谱的峰值个数和峰值大小进行特征提取,然后结合分岔图生成数据集,用生成的数据集训练极限学习机模型,最终实现通过极限学习机精确识别出Duffing振子的各周期态及混沌态。仿真结果表明,该方法具有较快的收敛速度和平均90%以上的准确率。该项研究对Duffing振子在信号处理方面有着重要的意义。第二,我们对约瑟夫森结分岔现象的预测方法进行了研究。约瑟夫森结不仅是一种常见的超导器件,还是一种典型的非线性动力学研究对象。由于约瑟夫森结在使用的过程中应尽量工作在稳定状态,故其状态变化的预测一直都是一个非常重要的研究内容。本文创新性地提出了一种基于极限学习机算法和噪声前驱（Noisy Precursors）现象的约瑟夫森结分岔区间的预测方法。该方法首先对约瑟夫森结方程加噪声,并用随机龙格-库塔法进行求解,再对得到的时间序列进行频谱分析,就可以从中观察到噪声前驱现象。对该现象中峰值的个数及位置的变化特点进行特征提取,生成训练集训练极限学习机。之后找到类似的分岔点同样进行特征提取,生成测试集后对极限学习机进行测试。仿真实验结果表明,该方法不仅可以有效地识别出分岔前和分岔后系统属于什么样的状态,还可以对分岔前兆阶段的参数进行识别,这些参数可以作为分岔点到来前的标志,这样就通过识别的方法实现了约瑟夫森结分岔的预测。上述研究将机器学习算法与微电子器件相结合,实现了对微电子器件的非线性动力学状态的识别及预测,对于器件动力学的相关研究及发展有着重要的意义。