随着计算科学的不断进步,机器学习在凝聚态物理领域的应用越加广泛。机器学习,即machine learning（ML）,是一门机器对经验利用的学科。机器学习与人类学习相似,人类学习是通过对已知的事物进行学习,当接触新事物时,便可以通过所学习的知识进行判断和分析;机器学习则是机器对输入样本进行学习进而产生一个“黑盒子”,当新的样本输入到“黑盒子”中,机器可以根据已生成的“黑盒子”做出判断。机器的学习能力与输入的训练样本息息相关,训练样本的好坏决定了机器对新的样本的泛化能力,这也与人类学习类似,知识的质量往往决定了人们对新事物能否有更好的认知能力。本文在绪论部分中介绍了机器学习中的监督学习在凝聚态物理中的研究背景、研究意义以及研究现状。在第一部分工作中,我们给出了机器学习在材料科学领域中的一个应用:我们运用全连接神经网络来预测叠层太阳能电池的转换效率极限,并通过高通量计算的已知结果找出具体材料的转换效率极限,该网络的输入结果只依赖于叠层太阳能电池的顶部和底部电池材料的带隙。我们首先通过部分顶部与底部电池带隙的组合作为网络的训练数据;其基于AM1.5标准情况下二极管方程计算出的转换效率极限作为已知答案,来训练神经网络。通过训练完成的神经网络,我们可以成功预测更多带隙组合的转换效率极限,该方法也可以作为高通量材料设计网络的后端,能够有效地帮助寻找更高效率且廉价材料。在第二部分工作中,我们介绍了机器学习在物质相变方面的应用:我们使用蒙特卡洛方法生成了不同系统尺寸下的三种样本:1)周期性边界条件情况下的渗流样本;2)非周期边界条件情况下渗流但是周期边界条件下不渗流的样本;3)非周期性边界条件情况下不渗流的样本。我们使用这些样本来训练卷积神经网络,训练后的卷积神经网络可以准确地识别出这三种情况下的样本。根据不同样本的渗流几率,通过卷积网络的预测结果可以定出渗流的相变点。我们同时还定义了不同方向上的渗流围绕几率,通过卷积网络对这些围绕几率的预测,可以自洽的给出渗流的相变点,这为我们使用机器学习来研究其他物理学相变问题提供了很好的思路和方向。最后,我们给出了论文的总结以及展望。