基于泰勒展开的方法实现局部控制网的拟合，使用卡方检验判断局部控制网中是否存在形变点。若存在形变点，则在选权迭代的过程中找到局部控制网中所有的形变点，并将卡方检验通过作为迭代终止条件。对哈尔滨工业大学空间地面模拟装置2号终端控制网的两期观测成果进行了分析，实验表明，将卡方检验和选权迭代法加入控制网拟合之后，可以很好地探测出局部控制网中的形变点。在找出所有形变点之后，可以求得更为准确的局部控制网拟合参数。

粒子加速器中真空元件的阻抗是引起束流不稳定的重要原因。基于储存环的新一代同步辐射光源的设计发射度更小，相应地要求更小的真空盒孔径，进而带来阻抗的显著增加，这就要求在设计阶段对真空元件的阻抗进行准确的评估和优化。阻抗测量是验证阻抗模型准确性的重要手段，而同轴线法是常用的实验室测量方法。对小孔径真空元件同轴线法纵向阻抗测量进行了研究，针对窄带阻抗元件，使用pillbox腔开展了相关的阻抗测量，研究了不同的内导体尺寸对于测量结果的影响，同时基于尾场模拟、散射参数模拟以及本征模模拟对测量结果进行了验证，模拟和测量结果符合很好，并证明原有的内导体导致谐振峰频移的理论分析应用于小孔径元件时存在偏差。此外针对非窄带阻抗元件，对条带冲击磁铁结构进行了同轴线法阻抗测量，研究了内导体对结果的影响，验证了同轴线法测量的有效性。

以中国散裂中子源CSNS的直线加速器控制网为例，对其数据处理方法进行研究，采用平面与高程二维平差以及三维定向平差两种方式对准直控制网进行处理分析。同时，为了使准直数据处理更加简易便利，提出利用激光跟踪仪的测量软件SA实现三维定向平差的方法。通过不同软件及不同数据处理方法的对比，验证准直控制网数据处理的正确性，最终200 m长直线控制网点位精度优于0.2 mm，这为准直控制网的数据处理提供了指导。

机器学习技术在近十几年发展迅猛，并被广泛地用于解决复杂的科学和工程问题。最近十年间，基于机器学习的粒子加速器相关研究也开始呈现出井喷式发展趋势。国际上许多加速器实验室开始尝试用机器学习和大数据技术处理加速器中的海量复杂数据，以期解决加速器及其子系统中的诸多物理和技术问题。不过，迄今为止，机器学习在加速器中的应用仍处于初步探索阶段，不同机器学习算法在解决具体加速器问题的效果及其适用范围尚待摸索，机器学习在实际加速器中的应用仍非常有限。因此，有必要对加速器领域中的机器学习研究做一个整体回顾和总结。将回顾机器学习在大型粒子加速器（以储存环加速器和直线加速器为主）中的加速器技术、束流物理以及加速器整体性能优化等研究方向中已取得的研究成果，并探讨机器学习在加速器领域的未来发展方向和应用前景。

现代粒子加速器的发展已有100年的历史。给出了粒子加速器主要类型的简单分类图表，从粒子加速器发展过程中相关概念演变和加速器技术逻辑发展的角度，概述了粒子加速器的基本类型、基本工作原理、相应的技术实现途径以及各类加速器的典型的技术特征。