量子色动力学（Quantum Chromodynamics,简称QCD）是一种描述夸克和胶子之间强相互作用的规范理论。QCD预言当达到一定的高温高密状态时,禁闭在强子态内部的夸克会解禁闭形成夸克胶子等离子体（QGP）。在低温高重子化学势区域,强子态到QGP是一级相变,且一级相变的终止点为临界点;高温低重子化学势区域为平滑过渡区域。对于QCD相图的结构,其中最重要的便是确定临界点的位置。目前理论认为QCD临界点可能属于三维伊辛普适类,所以在本文中我们选取三维伊辛模型,借助机器学习方法和有限尺度标度理论来研究如何确定三维伊辛的临界温度和临界指数。我们与传统的热力学方法的区别在于,不需要提前选取序参量或系统的哈密顿量,只需要输入不同温度和不同尺度下三维伊辛模型的位形信息并利用机器学习的方法,就能得到三维伊辛的临界温度和临界指数。本文中使用的分析方法为机器学习中的深度学习方法。机器学习是利用已设计好的算法在大数据集上学习生成式或者判别式模型,属于人工智能的一种。机器学习的学习形式可分为监督学习（例如深度学习）、非监督学习和强化学习。监督学习指的是给定一定的训练样本（样本是既有数据,也有数据相对应的标签）,利用这个样本进行训练来更新模型中的参数。然后利用这个已更新参数训练完成的模型,将所有的输入映射为相应的输出。最后对输出进行简单的判断从而完成了分类或者回归的问题。有限尺度理论指出:对于实际系统大小有限的情况下,在给定观察量时,如果发生二级相变或者一级相变,不同尺度下的观察量可以被标度到有限尺度标度性的普适形式。为此,在传统的热力学方法需要首先选取一个合适的序参量,序参量大小表示系统有序的程度。我们再对这个序参量做有限尺度标度才能得到临界温度和临界指数。目前,理论还无法给出QCD相变的序参量,实验上也只给出了可能与序参量相关的观测量,如守恒核（重子数、电荷数、奇异数）的高阶矩、重子密度等。在我们的工作中,我们不需要知道序参量,而是通过机器学习研究不同温度下三维伊辛位形信息就能得到临界温度和临界指数。三维伊辛在外场为零时,由温度驱使,系统在某个温度下会经历一个从有序相到无序相的转变。我们称这个温度为临界温度,有序相与无序相的相变点为三维伊辛的临界点。首先,我们通过机器学习中的监督学习对三维伊辛的磁化强度（m）进行回归。我们将机器学习得到的m与蒙特卡罗给出的m进行比较,研究发现:两者得到的m吻合地很好。其次我们通过监督学习对六种尺度的三维伊辛模型的有序相和无序相进行分类,研究发现:1.监督学习可以有效地分类有序相和无序相;2.分类有序相和无序相的准确度随着尺度的增加而增加,大尺度下的准确度达到98\%以上。我们将六种尺度的有序相-无序相分类图画在同一坐标轴上,发现所有尺度的有序相-无序相分类曲线相交于一点,这个温度点对应的恰好约为理论上三维伊辛的临界温度。对画在同一坐标轴的六种尺度两相分类图,我们尝试选取不同的指数值来做标度,研究发现:当选取的指数值等于某一个值时,不同尺度的观察量可以被标度到同一条曲线上,我们发现选取的这个值恰好约等于三维伊辛的理论临界指数值。最后,我们使用和二级相变相同的监督学习网络架构分类了三维伊辛的一级相变M<0和M>0的两相,我们发现机器学习同样能够以很高的准确度分类三维伊辛一级相变的两相。