等离子体破裂是托卡马克装置运行中的灾难性事件,它会使放电突然终止。破裂所带来的热负荷、电磁应力和逃逸电子会严重的损害装置结构安全。因此,对破裂进行准确预测辅以破裂缓解手段是一个重要的研究课题。目前各种机器学习算法使得预测模型算法性能提升很大,但是对于陌生的新装置泛化性能就比较差了。为了推进破裂预测跨装置发展,本文利用来自J-TEXT和HL-2A两个装置数据库进行跨装置破裂预测的研究,积累研究经验,为未来将破裂预测模型外推到其它装置上提供参考。本论文提出了利用可解释性算法梯度提升决策树探索跨装置破裂预测的新方法,成功搭建了高性能的预测模型,找到了影响跨装置破裂预测的关键因素。第一步介绍了破裂预测模型设计思路与机器学习算法,主要是使用基于梯度提升决策树的算法进行模型训练,同时给出了模型分析工具和评价指标。第二步选择了两个装置的独立信号进行模型训练和测试,建立了两个高性能的破裂预测模型。独立模型在J-TEXT上的真阳性率为91.9%,假阳性率为10.1%,而在HL-2A上的真阳性率为83.2%,假阳性率为11.1%。第三步从输入特征重要性的角度和特征对破裂的贡献度分析了模型的内在信息。破裂预测模型的相对特征重要性排名能在一定程度上反映出破裂的物理机制。那些与装置上典型破裂放电相关的特征占有较高的排名。同时在不同的装置上排名有所不同,经过特征贡献度分析发现这是由于不同的装置破裂数据库里破裂类型存在一定差别。第四步通过选择两个装置的共有信号训练了两个模型。共有信号具有一定的破裂预测能力,但是从预测准确度和预警提前时间方面与独立模型对比,都不能与前面的独立模型相提并论。这是因为共有信号太少不足以训练出一个高效且准确的模型。结果表明:不同装置数据库里的破裂类型与共有信号的差异是影响跨装置破裂预测的重要因素。本论文进一步利用实时破裂预测系统帮助破裂缓解系统完成了实时破裂缓解的新实验,实现了对等离子体破裂的提前预警和有效缓解。大量气体注入（MGI）是经过大量实验验证的优秀破裂缓解手段。本文利用J-TEXT上已经搭建好了一套密度极限破裂预测系统,在2020年秋季实验中设计并完成了密度极限破裂预测与缓解实验。通过对比参考组和实验组的放电情况,发现密度极限破裂预测系统能准确预测到密度极限破裂并且预警时间相对充足,同时与MGI破裂缓解系统能快速有效联动,将接近破裂的等离子体放电快速关断,有效控制了热能耗散,缓解了破裂带来的危害。本论文在J-TEXT和HL-2A装置上利用梯度提升决策树算法找到了影响跨装置破裂预测的关键因素,进一步在J-TEXT上利用密度极限破裂预测系统和MGI实现了提前破裂预警和有效破裂缓解,为未来大型装置的破裂预测和破裂缓解研究提供了参考。