等离子体破裂是托卡马克装置放电过程中的一种不稳定现象,它会对托卡马克装置造成很大的危害。为解决这一问题,科研人员研发出了多种等离子体破裂缓解措施,这些技术可以很大程度地降低或者避免破裂所带来的危害。但是破裂缓解措施需要一定的动作时间,因此要在破裂发生之前对其进行预测。目前国内外的托卡马克装置上已经设计了多种破裂预测算法,从早期的对单一诊断信号设置阈值的方法到基于机器学习的神经网络破裂预测器,预测的准确度有了很大提升,错误率也大大下降。但是神经网络的方法需要大量样本进行训练,在未来的托卡马克装置上这些训练数据尤其是破裂炮的获取极为困难,本文针对这一问题,对仅有少量破裂数据情况下的破裂预测方法进行了探索研究。首先,针对托卡马克装置的诊断数据处理问题,开发了一个破裂数据库系统,该破裂数据库系统包含诊断数据存储模块、数据自动化处理模块、破裂数据库数据服务模块,系统实现了诊断数据处理流程的自动化,从而可以对研究破裂预测算法时所需的数据进行高效的获取、处理和分析。然后,设计了一种基于卷积神经网络和循环神经网络构建而成的诊断信号的时间序列预测模型,通过模型的预测残差来进行异常检测,进而预测破裂。该模型仅需使用非破裂炮数据进行训练,基于J-TEXT装置上的诊断数据训练得到的模型可以达到83%的成功率和18%误报率。最后,使用J-TEXT和HL-2A的诊断数据研究了模型的迁移方法。在这部分,首先用两个装置的数据对同一个模型进行分别训练并进行性能评估,然后将J-TEXT训练好的模型冻结部分网络层再用HL-2A少量数据进行迁移学习训练,在离线模型测试中,这两种方法都取得了较好的预测结果。本论文中的实验结果证明了,通过基于神经网络异常检测方法和基于迁移学习对模型进行装置间移植的两种方法,在仅有少量破裂数据的情况下进行破裂预测系统开发的可行性,为未来大型托卡马克装置的破裂预测问题提供了一个解决方法。