实验与数值模拟是分析流场流动特征的传统手段,在流体力学研究中应用广泛,但较高的实验成本及数值模拟较大的计算量限制了实验与数值模拟在诸多复杂问题中的应用。具有数据驱动背景的流场特征提取算法为解决此类问题提供了新的流场特征分析方法,包括流场降阶POD方法及深度学习神经网络方法,基于POD方法或者卷积神经网络提取的流场特征建构相应的时间序列流场预测模型,即可实现对于未来流场的预测,有效提高了流场的分析效率。基于本文针对二维圆柱绕流流场,通过数值模拟技术建构不同雷诺数情况下的圆柱绕流流场数据集,利用不同的流场特征提取方法实现流场的特征提取,并结合LSTM神经网络开展未来流场的预测工作。具体研究内容及成果如下:建立圆柱绕流流场的计算模型,针对不同的雷诺数情况设计相应的算例,通过对于不同算例的数值模拟生成各时间步下的流场快照,由流场快照建立各雷诺数情况下的流场数据集。针对计算获得的雷诺数为100及300的典型圆柱绕流流场,分别采用POD方法及卷积自编码神经网络提取流场主要特征。利用POD方法对于流场进行降阶处理,获得描述流场不同尺寸结构的各阶模态,主要为描述大尺寸涡结构的低阶模态及描述小尺寸结构的高阶模态;利用训练得到的卷积自编码器对流场进行特征提取处理,分析不同变量流场的特征提取特点。由提取的流场特征开展流场的重构工作,通过重构结果的对比分析不同方法在流场重构中的误差表现,由不同方法的特征提取特点分析误差产生的机理。基于不同特征提取方法,结合LSTM神经网络建构时间序列神经网络预测模型。预测模式为由流场的前8个时间步预测后8个时间步,通过非持续预测及持续预测的方法检验不同预测模型的预测精度及时间鲁棒性。非持续预测情况下,两种方法均具有较好的预测精度;持续预测情况下,POD时间序列神经网络随着时间步增加预测精度不断下降,由于神经网络对于不同模态时间系数的预测差异导致POD时间序列神经网络对于不同变量流场的预测精度产生较大差异,卷积自编码神经网络则在整个时间历程上保持了较好的预测精度。通过在卷积自编码时间序列神经网络中加入自定义物理模型损失函数,建构了结合物理模型的卷积自编码时间序列神经网络。物理模型的加入使得垂向速度流场的预测精度在初期时间步得到了显著提高,在流向速度场则恶化了预测结果,但并未显著提升误差水平。通过对于加入物理模型对于时间序列流场预测结果的影响分析获得了本算例下较好的流场预测模型。