不同于以计算复杂度为基础的传统密码学,以量子力学为理论基础的量子密码学可以做到无条件安全通信。作为量子密码系统的重要组成部分,量子密钥分配（Quantum Key Distribution,QKD）和随机数发生器（Random Number Generator,RNG）都在理论和实际应用中得到快速发展。基于量子物理定律,QKD原则上可以在两个合法用户（Alice和Bob）之间提供无条件安全。然而,由于设备不完善产生的漏洞,实际QKD系统的安全性容易受到窃听者（Eve）的各种攻击。结合诱骗态方法,测量设备无关量子密钥分配协议（Measurement Device Independent QKD,MDI-QKD）可以抵御探测器侧信道攻击和源中多光子分量产生的漏洞。RNG广泛应用于需要快速且可靠的随机数的密码学和安全通信领域。伪随机数发生器使用确定性算法和提供的种子生成随机数。为了解决其周期性问题,基于量子性质的内在不确定性的量子随机数发生器（Quantum Random Number Generator,QRNG）被提出并演示,是最典型的真随机数发生器。机器学习（Machine Learning,ML）,可以利用大量的训练样本来识别模式并发现大型数据集中的复杂结构。因此,ML可以应用在量子密码系统实用化领域。本文构建了一个机器学习辅助的MDI-QKD系统,并将其应用于MDI-QKD系统的参考系校准。此外,本文还将ML应用到量子QRNG的质量评估中。具体内容如下:1.构建了一个机器学习模型—长短期记忆网络（Long Short-term Memory,LSTM）应用在MDI-QKD系统上,预先预测两个用户之间的相位漂移,并主动进行实时相位补偿,该方法显著提高了密钥传输效率。此外,在100km和250km商用标准单模光纤上进行了相应的实验演示,验证了该方法的有效性。2.将优化的LSTM模型应用于挖掘QRNG生成的数据之间的相关性。此外,还将其性能与NIST标准检验包进行了比较。结果表明,基于ML的方案能够检测量子随机数之间的内在相关性,比传统的NIST标准检测包具有更多的优势。