轻核中10B和12C在核医学、中子辐射等领域中扮演着较为重要的角色,其中10B具有较强的防辐射和吸收中子能力,而12C则是所有生物有机体中含量最为丰富的核素之一。但由于轻核反应相对复杂,国内外对10B（n,α）~7Li和12C（n,n）12C反应的理论研究发展十分缓慢,寻求新的理论模型或计算方法研究这类轻核反应出射粒子信息具有重要的应用价值及学术意义。目前贝叶斯神经网络（Nayesian Neural Networks,BNN）方法因较强的预言能力且给出预言值的不确定性在众多算法中脱颖而出,具有巨大的应用潜力。本文利用贝叶斯神经网络方法研究1 e V～2.4 Me V入射能量下10B（n,α）~7Li反应中的微分截面测量数据,以入射能量和角度作为输入量进行机器学习。因入射能区达8个数量级,为降低测量数据的精度误差,本工作中对入射能量进行了对数处理。在经过验证的基础上,给出了任意入射能量、任意出射角度的微分截面预言值。同时进行角度积分,自洽得到了1 e V～2.5 Me V范围内10B（n,α）~7Li反应截面,并与我国最近测量的实验数据很好地符合,亦与国际上著名ENDF/B-VIII.0和JEFF3.3评价库的结果相符。结果表明BNN方法能很好地同时再现10B（n,α）~7Li反应中的微分截面和截面。在上述基础上,本文进一步把BNN方法推广到具有多个共振峰的12C（n,n）12C反应。首先以入射能量和角度作为BNN方法的两个输入量,通过机器学习入射能区在0.05～28.15 Me V范围内所有170个能量点下共2453组弹性散射微分截面实验数据。在经过验证的基础上,亦给出了30 Me V入射能区内的任意入射能量任意出射角度的微分截面预言值。同时进行角度积分,给出的弹性散射截面的预言值与实验测量值整体趋势相符,但在共振峰附近有着较大的偏差。为此本工作尝试着将复合核的能级结构效应（包括每条能级能量大小和能级宽度）,作为一个新的特征量加入到BNN方法的机器学习中,结果不仅能重现弹性微分截面的实验值,并且能自洽地得到与实验数据符合很好的弹性散射截面理论值。研究结果表明:加入能级结构效应后的贝叶斯神经网络方法可以很好地改进理论计算结果,为进一步研究轻核反应数据提供了很好的参考。