热—弹性问题在工程应用中广泛存在,针对热—弹性问题的数值模拟需要准确的材料传热和力学本构模型。随着材料科学的不断发展,具备高性能或特殊功能的新材料不断涌现,然而各种新材料的性质千差万别,现有本构模型不一定能反映材料实际的热—力学行为。因此,迫切需要针对各类新材料建立其热—力学本构模型,从而开展相应的热—力学数值模拟,加速新材料走向工程应用。然而,通过传统方法建立热—力学本构模型往往需要对材料内在变形和传热机制的深刻理解和复杂的数学推导,模型开发周期较长。特别是针对复合材料的等效本构建模需要考虑微结构特征和各组分之间相互作用等诸多因素,这无疑进一步加大了建立具有显式函数表达式的热—力学本构模型的难度。此外,对复合材料进行数值模拟需要足够精细的网格以解析其微结构几何特征,导致计算量过大,难以针对复杂工程结构进行热—力耦合计算。以上困难限制了新材料的应用和推广,近年来,数据驱动计算力学蓬勃发展,为材料的本构建模和计算提供了新思路。本文分别针对各向同性和正交各向异性非线性弹性材料本构建模和计算中的难点,提出了相应的数据驱动热—弹性本构建模和计算方法,发展了基于位移场和温度场数据的热—力学本构模型识别方法。本文具体研究内容和成果主要包括:（1）针对各向同性超弹性材料,提出了一种基于人工神经网络的数据驱动热—力学本构建模方法。设计了两个独立的神经网络分别描述具有温度依赖性的应力—应变关系和热传导关系。该方法可结合计算均匀化用于驱动有限变形下热—力耦合问题的多尺度计算。在线下阶段,通过有限元计算细观RVE热/力学响应生成数据,并训练神经网络。在线上计算阶段,通过UMAT和UMATHT用户子程序将经过训练的神经网络模型嵌入有限元计算程序,做为材料的宏观等效本构模型代替细观热—力学响应的有限元计算,从而大幅提高线上计算效率。该方法系统性地绕过了材料的复杂建模过程,避免了由本构模型选择和校正过程引入的误差。数值算例分别讨论了均质材料和复合材料组成结构的热—力学响应计算,通过与直接数值模拟方法计算结果对比展示了方法的高效性和准确性。（2）提出了一种针对正交各向异性非线性弹性材料的数据驱动本构建模方法（DDONE）。该方法可利用少量、低成本数据进行本构建模,有效解决了各向异性材料数据驱动本构建模数据需求量大、获取成本高的问题。设计了三个单轴拉伸实验获得应力—应变数据,利用近似叠加原理构建了材料的数据驱动本构模型,并将其嵌入有限元计算程序,以驱动结构或连续体边值问题的求解。通过数值算例展示了方法的有效性并分析了误差的分布规律和产生原因。进一步提出了基于映射函数的模型修正方法以提高DDONE方法的准确性,并通过数值算例进行了验证。此外,针对DDONE方法线上计算效率不高的问题,提出了基于神经网络的改进策略,提高了该方法的计算效率和稳定性。最后,将该方法进一步扩展到材料参数与温度相关的正交各向异性非线性弹性本构建模。（3）现有数据驱动方法所需数据（如双轴和三轴应力、热流密度等数据）获取难度大、成本高,鉴于此,基于相对易获取的位移场和温度场数据,结合粒子群算法和神经网络技术,发展了一种数据驱动的材料传热和热—弹性本构模型识别方法。该方法利用插值函数将全场测量的位移和温度数据转化为应变和温度梯度数据,并输入神经网络。未经训练的神经网络输出的热流密度和应力不满足热传导方程和平衡方程。因此,结合控制方程和部分边界条件信息（应力和热流边界）构建目标函数,利用粒子群算法最小化目标函数实现神经网络的无监督学习,从而识别材料传热和热—弹性本构模型,并预测热流密度/应力场。分别讨论了稳态热传导、瞬态热传导和热—弹性问题中的本构识别方法及数值实现,通过与采用参考材料本构模型的有限元计算结果对比展示了该方法的有效性。