近年来,机器学习方法在统计物理领域应用广泛,并且逐渐被应用于解决复杂网络中的问题。复杂网络上SIS和SIR流行病传播动力学的阈值对应于统计物理学中相变临界点的概念。目前,深度学习方法已经解决了SIS可逆传播动力学的阈值识别问题。鉴于此,本文主要针对SIR不可逆传播动力学,分别利用多层前馈神经网络和卷积神经网络对流行病的相变临界点（即爆发阈值）进行判别和分析。首先,本文提出一种基于特征提取和多层前馈神经网络的不可逆传播阈值识别模型。在不同的网络结构中,运用多层前馈神经网络模型对SIR传播模型的动力学配置信息进行监督学习和模糊学习。但是,基于监督学习方法的识别模型易受不对称数据集、标签准确性和随机噪声的影响,从而模型识别效果较差,且该模型的鲁棒性也不高。进一步,运用无需先验知识的模糊学习方法。然而,在合成网络和真实网络上,前馈神经网络无法准确识别爆发阈值,甚至无法表现出相变现象。鉴于此,本文针对SIR不可逆传播过程在相变临界点附近动力学数据的异质性或可变性,提出一种基于临界可变性的特征提取方法。对于运用该方法进行有效特征提取后的训练集,神经网络模型可以学习到训练集数据在不同相中动力学特性的差异性。在不同合成网络和真实网络上的学习效果,说明该特征提取方法使基于模糊学习方法的阈值识别模型展现了优良的性能。然后,本文提出基于特征提取和庞加莱嵌入的不可逆传播阈值识别模型。该模型将网络拓扑结构和节点动力学信息结合转化为多通道的二维图片,在SIS传播阈值的识别问题中取得了很好的效果。然而,卷积神经网络仍然无法学习到训练集在临界点附近特征的差异性。由此,将基于临界特征提取的动力学配置信息添加到图片的多通道中,卷积神经网络模型在不同的网络结构中取得了很好的阈值识别效果。此外,该模型对于随机噪声和不对称数据集的鲁棒性高,而且无需人工干预抽样就可以基于节点重要性提取网络的拓扑结构。以上结果说明了针对临界动力学特性的特征提取方法的有效性和适用性,为不可逆传播中的相变识别研究提供了新的思路和方法。正如新冠疫情可以通过SIR类型的传播模型进行描述,该基于特征提取的神经网络学习模型对于本次疫情的发展趋势分析可能具有一定的参考价值。