电子回旋辐射成像在托克马克实验诊断中起着探测极向剖面的电子温度及其涨落的作用。因此,电子回旋辐射成像的诊断数据可以用来研究锯齿不稳定性,对理解托克马克内部的锯齿行为十分重要。为了更方便地挖掘出诊断数据的统计规律,有必要前期对电子回旋辐射成像信号进行数据清洗,筛选出好的信号,并做出对信号的初步分类。电子回旋辐射成像信号可以初步分为饱和信号、无信号、弱信号、正常信号。传统上,一般用人工识别的方式去筛选,存在着识别效率低,错误率比较大的问题。为了很好的实现数据分类的目标,并结合电子回旋辐射成像信号数据量大的特点,本文采用大数据处理手段中常用的机器学习方法进行分类。鉴于分类电子回旋辐射成像信号是个多分类问题,依据机器学习的策略,从两种角度出发,实现具体的分类算法。一种是将多分类问题拆解成为多个二分类问题,采用支持向量机与决策树结合的方法逐步完成多个二分类任务,支持向量机和决策树均是机器学习中实现二分类性能比较优异的算法;第二种是采用可以直接处理多分类问题的机器学习算法,如集成学习中的随机森林。为了更好的比较这两种学习策略,在相同的数据集、测试集上实现了支持向量机与决策树混合模型、随机森林模型分类数据。通过在数据集上训练模型时采取5折交叉验证的方式进一步消除过拟合的影响。从最终的实验结果来看,这两种模型各有优劣。在数据集中,支持向量机与决策树的混合模型在弱信号的召回率上强于随机森林模型,但在测试集中,混合模型的泛化错误率却高于随机森林模型。这两种机器学习模型的应用是在电子回旋辐射成像信号大数据研究中的初探,它们在小规模验证集上均表现出了相当优异的分类性能,只在个别指标上略有不同,各有优劣。为了加深这两种模型的比较,还需要在更大规模的数据集上进行性能评估。本文将机器学习引入到对电子回旋辐射成像信号分类,加快了对存储的大量实验数据的数据清洗,验证了采用机器学习处理科研大数据的可行性。不仅如此,在今后的研究中,还能应用机器学习方法,从大量的实验数据集中提取出相关的物理模式。可见,机器学习在托克马克的实验数据研究中会起着越来越重要的作用。