托卡马克是目前最有希望实现核聚变能源的装置之一。等离子体平衡与垂直位移不稳定性的有效控制是托卡马克装置安全运行的重要保障，本文基于神经网络方法，对托卡马克装置等离子体平衡参数实时估算以及垂直位置快速预测进行了研究，为未来更加精准、快速控制提供新的方法。本文先应用基础的前馈神经网络，以托卡马克模拟代码(TSC)模拟EAST放电生成数据库，训练和测试等离子体平衡参数估算模型，并分别讨论测量信号缺失和输入噪音对模型鲁棒性的影响。神经网络评估模型在偏滤器和限制器位形下估算有量纲平衡参数（等离子体电流中心位置、大半径、小半径、X点位置）平均误差在1毫米以内，估算无量纲参量（拉长比、极向比压、内感、安全因子）平均误差在百分之一以内;对于假定的测量信号缺失和输入噪音，通过加入随机噪音以及置零缺失信号值再训练验证，证实模型仍具有一定鲁棒性;在普通台式机上用MATLAB软件实现模型，耗时为1毫秒左右，初步验证了这种方法的可行性。
　　在等离子体电流中心位置识别工作中，本文先用模拟数据验证了神经网络方法的可行性，再用实验数据训练模型，训练的基础前馈神经网络模型经验证仍可准确识别等离子体电流中心;同时，减少输入探究不同输入组对模型性能的影响，仅以磁通环诊断或极向场线圈电流作为输入在该模型下并不充分。考虑到极向场线圈电流是等离子体电流中心位置变化的重要控制变量，本文探讨了NARX神经网络模型建立控制量和响应量映射关系的应用;NARX模型相较基础前馈网络模型，仅用控制量推理电流中心位置的准确性有显著提升;然而，该模型严格限制控制变量，在目前工作中训练数据只在同一类型放电数据中获得，模型适用范围受限。本文最后筛选整理了2018年EAST实验数据库，覆盖一千炮以上的放电，将长短期记忆神经网络应用于等离子体垂直位置预测，同时使用GPU并行对训练完备的模型进行加速。本研究选用前五个时间片的电磁测量数据，预测后一时刻的等离子体垂直位置，并讨论输入噪音和信号缺失时模型的准确性和鲁棒性。经过不断地训练和测试、不断改善性能，最终模型参数固定，初始用CPU实现速度在1毫秒量级;通过算法和硬件加速，最终使用GPU实现模型准确快速，一次预测时间可达50微秒量级，比目前EAST控制速度提高一个量级，为未来等离子体垂直位移快控提供了一个新方法。