虽然核能是一种清洁而高效的能源,在很多国家得到了重视与推广,但历史上几次严重核事故表明了核电站仍然存在发生事故的可能性。在发生严重核事故后,放射性核素释放到环境中的种类与总量,即源项,通常是未知的,快速准确地对源项做出评估有助于合理制定后续的应急策略,从而减轻事故对环境与人员安全的威胁。本研究基于机器学习方法构建了严重核事故后的多核素源项反演方法,相比于现有研究中基于最小二乘的反演方法,新方法避免了在核事故后才能进行大气扩散建模的复杂且耗时的过程,并且无需先验信息,有助于快速地做出响应。首先以美国“反应堆安全研究”中的核事故释放类别PWR1-PWR9作为参考值,使用Python程序构建了支持向量机模型对其进行分类,即可以得到粗略的核素释放比例与总量。在对支持向量机中重要的超参数与进行优化后,模型在测试数据集上的分类准确率达到99.04%。针对可能出现的伽马剂量率数据缺失的情况,使用遗传算法对缺失数据进行补全处理,测试结果表明补全数据与其真值的相对误差小于5%,在有4个伽马剂量率数据缺失时,模型的分类准确率仍可以保持在80%以上。为得到更为精确的核素释放速率,使用Python程序构建了基于循环神经网络的反演模型对六种典型核素Sr-91,La-140,Te-132,Xe-133,I-131和Cs-137的释放速率进行预测。为提高模型的预测准确性,对不同的循环神经网络单元构架和优化函数进行了测试,并使用贝叶斯优化对模型中最优的循环神经网络单元数与全连接层节点数组合进行搜索。模型在测试数据集上的反演结果表明,随着不同时间步长上的伽马剂量率数据输入,模型对核素释放速率的预测准确率不断提高,在10小时后,其对Te-132预测结果的平均绝对百分比误差可以低于7%。在核事故应急阶段,为尽可能降低人员在场区内移动过程中所受的累计剂量,本研究对传统路径规划算法中的代价函数做出改进,设计了考虑剂量场分布的改进型路径规划算法,其可以评估路径节点上的剂量率并规划出使累积剂量尽可能低的路径。在核素持续释放场景与更为复杂的存在散落放射源场景中,考虑剂量的改进型算法所得路径的累积剂量相比于传统算法降低了一个数量级,证明了改进算法的可行性。其中改进型的A*算法相比与其他算法可以在最短的搜索时间内得到累积剂量最小化的路径规划结果,是最佳的规划算法。