对于介观系统的输运性质,无序在量子自旋霍尔系统、三维强拓扑绝缘体和超导体、分数量子霍尔系统和弱AIII拓扑绝缘体中起着重要的作用,它可以导致金属-绝缘体相变并驱动拓扑相变。杂质的浓度对量子输运有很大的影响。在某些情况下,它们的微小变化会显著改变电导值。因此,有必要进行大量的数值计算来研究杂质能量和杂质浓度对输运性质的影响。本文希望通过流行的机器学习技术来降低这方面的计算成本。并研究利用机器学习方法预测具有大量杂质点或杂质浓度可调的输运系统电导的可行性。本文主要对无序二维材料的输运性质进行研究,以及机器学习在量子输运中的两项应用。首先,我们研究了量子自旋霍尔绝缘体系统中反点诱导的量子渗流,利用紧束缚哈密顿量模型,在数值上探究了不同形状和尺寸的渗流阈值。研究发现,对于较小的样品,由于有限尺寸效应,渗流阈值pc敏感地依赖于长宽比,而pc随着样品尺寸的增加而趋于常数,变得与形状无关。我们还将讨论扩展到了量子自旋霍尔反点系统中是否存在高阶拓扑角态。当反点密度接近逾渗阈值而体隙不闭合时,由螺旋边态提供的纵向导电通道被破坏,并出现类似于高阶的四个角态的趋势。接下来,我们研究了机器学习在无序二维材料输运性质上的两个应用。我们搭建了一个全连接神经网络,为求解二维纳米结构电子量子输运方程提供了线性回归的机器学习方法。计算无序系统的传输系数,为神经网络提供训练和测试数据集。系统的表示形式对能量和几何信息进行编码,以表征无序配置之间的相似性,而均方误差（MSE）则用作相似性的度量。全连接神经网络模型在捕获干扰现象的复杂性方面的卓越性能为其处理无序体系的输运问题的可行性提供了进一步的支持。另一个应用是分析波函数并确定它们的量子相。在这里,我们利用多层卷积神经网络,来确定随机电子系统中量子相。通过对已知相的系统波函数图像的监督学习训练神经网络,卷积神经网络可以确定未分类系统波函数图像的相。卷积神经网络能正确地判断二维无序拓扑系统的相,即局域或非局域,证明了该方法的有效性。