本研究使用机器学习算法代替传统的实验语音学方法（Praat声学软件和声学专家）来评估第二语言学习者汉语声调的习得情况。具体实验步骤如下:以标准普通话语料库为语料建立训练数据集,工程特征,建立深度神经网络模型,进行模型训练,然后以6名学习汉语的俄罗斯学生为被试对象,对其给定的汉语单音节的读音进行记录采集,最后使用训练好的模型对被试录音中的单音节声调做出评估,即推断出录音中音节声调的类别及其概率。本文由三部分组成:第一章提出本研究的理论基础和技术路线。首先介绍第二语言学习者习得汉语声调的实验研究中使用的传统方法,然后提出将机器学习作为实验工具的方法,重点介绍神经网络模型的建立过程,选择机器学习模型需要的特征建立模型,并用标准语料进行模型训练。第二章是介绍本研究的实验过程。首先设计被试音节表选基频变化最明显的音节,对6名俄罗斯学生的单音节发音进行录音,并将录音材料作为被试语料。然后将其提供给训练好的模型,最后利用模型对被试语料进行声调评估,得出被试单音节语音的声调类别及其准确率。第三章是实验结果对比分析和实验结论。先利用Praat声学软件对随机抽取的某一个被试语音声调进行分析评估,并将评估结果与机器学习模型作出的声调评估结果进行对比,又将机器学习模型的声调评估结果与第二语言习得领域中前人对俄罗斯学生习得汉语声调的研究结果对比。三者对比的结果发现,机器学习模型的评估结果与利用Praat声学软件进行传统声学实验的评估结果和专家评估的结果基本吻合,因此得出结论:机器学习模型在评估汉语声调发音标准度这一方面可以代替传统声学实验中的专家评估和声学软件,在处理大规模语料时有优势,可以在短时间内迅速处理大量语料。