辐射换热作为热量传递的基本方式之一，在大气科学、能源工程、遥感探测等多个领域中扮演着关键角色。然而，由于辐射传输过程涉及多维变量（如空间、光谱、方向）和复杂的非线性物理机制，传统的建模与数值计算方法在效率和精度之间常常面临权衡。随着机器学习技术的发展，其在处理高维非线性问题方面展现出独特优势，为辐射传输问题的求解带来了新的可能。本报告将简要介绍辐射传热的基本背景，进而结合本人研究团队在这一领域的研究实践，探讨机器学习在相关问题中的典型应用，包括：（1）基于数据驱动的辐射光谱机器学习预测模型；（2）基于辐射高光谱测量和机器学习反演方法的高效温室气体浓度监测；（3）辐射传输测量与机器学习结合推动燃烧诊断技术的最新进展。