原子核数据是核结构与反应问题研究的重要物理输入量,其准确的评估对核能利用与工程开发也至关重要。光核反应通过光子与原子核相互作用,加深人们对于原子核激发特性的认识,对其实验数据开展再评价也列入当前国际原子能机构的重要项目。机器学习作为一种强大的数据处理算法,在核物理研究中已得到广泛的应用。本论文将采用机器学习中的神经网络算法,发展有效的评价模型,针对光核反应实验的特征数据开展评估与预测。首先,针对原子核巨偶极共振（GDR）的关键参数,论文基于神经网络算法开展相关实验数据的描述。通过对激发谱中的单峰和双峰特征进行正确分类,并建立多任务学习网络结构考虑核数据间的关联,论文优化了代表性核素的共振能量与宽度的描述,相较于早期理论模型其精度显著提升。进一步,基于训练得到的网络,对β稳定线附近79个缺乏实验数据的原子核GDR关键参数进行预测,为今后的实验和数据评估提供重要参考。利用发展的神经网络方法,论文进一步开展了（γ,n）等光核反应数据的一般性评价。受到不同实验方法的影响与限制,核数据库中现有光核反应的实验数据在某些核素中仍然存在着较大的不确定性,例如Ge和Se等同位素链。为了改善相关数据评价的精度,论文通过构建神经网络,寻找反应截面数据与核结构特征与反应能量间的系统性规律,尝试对实验测量差异较大的核素数据进行评价,发现模型预测集表现出对于光源数据明显的倾向性。作为所发展的神经网络方法的拓展应用,论文最后还尝试将其与局域质量关系相结合,对原子核质量数据进行了学习。论文工作成功将多任务神经网络方法应用到原子核数据的描述与评价中,证明了其对复杂核物理数据分析的优势,其中包含的物理量之间的关联提高了核数据评价的可靠性与可拓展性,有望进一步应用于更多原子核数据的描述与评价中。