集体行为是鸟群、羊群、鱼群等众多复杂系统共有的特性。对集体运动的研究使用的典型模型是Vicsek模型及其诸多变种。为了深入研究这些模型的动力学性质,研究者通常根据系统的微观状态定义一些宏观的物理量,如序参量、关联函数等。但是,这些物理量的构建往往需要对模型的特性具有一定的了解,且它们并不是对所有的模型都通用,这为后续研究一些更加复杂的系统提出了挑战。在本学位论文中,我们利用机器学习,从数据的视角,寻找了一种普遍适用的从系统微观状态到宏观物理量的转化方式。具体地,我们使用主成分分析算法（PCA）研究标准Vicsek模型的性质,且证明了这种转化方式的有效性。通过包含粒子位置和运动方向在内的系统微观信息,PCA发现随着噪声强度的增加,系统特征发生了两次变化。经分析,我们认为第一次特征变化是由噪声条件下粒子有序运动中出现的“空点”引起的;第二次特征变化则代表着系统的相变,即从有序相变为了无序相。进一步,我们将系统微观状态中的运动方向信息单独提取出来研究。发现,通过PCA构造的物理量只能体现第二次系统特征变化。这说明第一次特征变化体现在粒子的位置分布上,而相变则同时体现在粒子的位置分布和运动方向上。通过深入的数学分析我们发现,使用运动方向信息构造的物理量等价于Vicsek模型的极化序参量。上述两种构造的物理量均能阐明系统相变所对应的临界噪声强度随着粒子密度的增加而增大,且不受系统尺寸和粒子数的影响,但是物理量的大小与系统尺寸和粒子数有关。文中的结果证明了PCA在研究复杂系统集体行为的可行性,并且由于PCA本质上是一种线性降维方式,使得构造的物理量具有较高的可解释性,削弱了机器学习的“黑盒”属性。结合如今快速发展的图像识别技术,本论文提出的方法为自然界中复杂系统的研究提供一个新的理论视角。